Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.

PROTOTIPO DE SEGURIDAD MEDIANTE RECONOCIMIENTO

FACIAL POR MEDIO DEL ALGORITMO DE EIGENFACES

Yeison Fernando Arcos Acuña; yeison.arcos@uptc.edu.co

Diego Armando Moreno Meneses; diegoarmando.moreno@uptc.edu.co
Wolffang David Niño Pacheco; wolffang.nino@uptc.edu.co

Universidad Pedagógica y Tecnológica de Colombia

Resumen- El reconocimiento facial en sistemas de seguridad es de 2. ESTADO DEL ARTE

vital importancia en la actualidad, en este trabajo se realiza un
estudio sobre el reconocimiento facial además de desarrollar una
aplicación teniendo en cuanta que parámetros se deben tener a la
hora considerar diferentes dificultades o posibles complicaciones
al obtener, y procesar una imagen de acuerdo a sus características
faciales, de esta manera dar una visión más amplia en este campo
del tratamiento de imágenes para el reconocimiento facial.
Palabras clave: imagen, video, cámara, resolución, procesamiento.
Abstract- The facial recognition in safety systems performs vital
importance at present, in this work a study is realized on the facial
recognition beside developing an application having in all that
parameters must be had an hour to consider different difficulties or
possible complications on having obtained, and process an image
of agreement to his facial characteristics, hereby to give a more
wide vision in this field of the treatment of images for the facial
recognition.
Key words-. Image, video, camera, resolution, processing,
eigenvalues, covariance, similarity.
1. INTRODUCCION
El reconocimiento facial en sistemas de seguridad toma gran
importancia dentro del desarrollo tecnológico y como
método de investigación, ya que este permite caracterizar
patrones en personas de acuerdo a sus características físicas,
aun así no con la mayor precisión que lo haría un ser humano
y, debido a esto se han desarrollado diferentes algoritmos
para tratar de mejorar la precisión y ser punto de operación a
algoritmos con mejor desarrollo, de tal manera que, de
acuerdo al método de operación del ser humano, un sistema
de reconocimiento fácil está basado en un fotograma o
imagen que puede ser comparado al obtener una base de
datos de las posibles personas a identificar, aun sabiendo que
el entorno en el que se trabaja posee ciertas características a
controlar para el debido procesamiento y captura de la
imagen, todo esto conlleva a que se mejore la precisión en el
reconocimiento y se de control a las variables en cada uno de
los entornos posibles.
La comparación de algoritmos basados en reconocimiento
facial ha sido estudiado en los últimos años, así pues data un
estudio realizado en 2015 por Jordan Cheney y otros [1], por
medio del cual analizan 9 algoritmos de reconocimiento
facial distintos, en donde cada uno de ellos maneja patrones
de reconocimiento que varían de acuerdo a los diferentes
parámetros en cada uno de los entornos, además de
pertenecer tanto a entidades públicas como académicas y
algoritmos libres, de acuerdo a Jordan Cheney en el
tratamiento y análisis acerca del reconocimiento facial sobre
los 9 algoritmo, la precisión en cada uno de ellos no se podrá
lograr si se requiriera realizar la comparación de acuerdo al
tamaño de recuadro estimado para la detección de un rostro,
ya que en muchas ocasiones se cuenta con que cada uno de
ellos manejara un patrón diferente y existiría perdida de
información de acuerdo al manejo dado en cada uno de los
algoritmos y que se podría observar observar en la Figura.1,
en donde se realiza la detección por medio de dos algoritmos
y existe mayor probabilidad de error en la imagen a) que en
la imagen b).
Figura.1 a) probabilidad de error mayor b) menor
probabilidad de error [1]
Demás características presenta el reto de realizar algoritmos
de reconocimiento facial, según M. Parisa Beham y otros [2],
para la detección de rostros que por medio de secuencias de
video se realiza el procesamiento bajo entornos de
luminosidad, postura facial, expresiones en los rostros,

1
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.
tienen un grado de complejidad un poco mayor, tal es así,
que la resolución en la que se presenta el procesamiento para
la caracterización del rostro varia; un diagrama de bloques es
ilustrado en la Figura.2 en la cual se puede ver el desarrollo
de trabajo del algoritmo en el reconocimiento facial
mediante video detección
Figura.2 Diagrama de bloques para video detección en
reconocimiento facial [2]
Durante las pasadas dos décadas, el reconocimiento facial ha
sido aplicado a diversos procesos todos en relación con una
base de datos, por lo generar en el proceso de adquisición no
se realiza control sobre las variables de medio como
luminosidad o las propias del sistema, lo que puede generar
cambios en los resultados en los resultados de diversos
algoritmos implementados para el reconocimiento facial, los
cuales extraen las características más importantes de las
imágenes; dentro de muchos de los experimentos que se
realizan se realiza un promedio de los resultados del
reconocimiento.
Uno de los algoritmos base en donde se involucra el kernel o
mascara de componente principal de análisis (KPCA),
análisis de discriminación Lineal (LDA) el cual es un
método para las extracción de características y reducción de
las dimensiones en el reconocimiento de patrones y el KPCA
se utiliza como método para reducir las dimensiones y
proyectar los datos en un espacio mucho menor, es decir,
tomar el arreglo representativo de la imagen, y con ayuda de
una matriz denominada de “covarianza” extrae las
característica principales y las representa en un vector, lo que
hace más fácil el reconocimiento que a su vez disminuye el
costo computacional, es por esto que es muy usada como
acompañamiento a otros algoritmos en aplicaciones en
donde se requiere.
El problema de algoritmo de LDA es que necesita una base
de datos relativamente grande para trabajar, es decir, no
puede trabajar sobre solo una imagen de una persona.
En forma de contrarrestar variables propias del entorno como
es la iluminación se utiliza el algoritmo de albedo el cual
realiza una estimación minimizando el error, ya que
condiciones extremas de iluminación genera cambios en los
resultados en especial con rostros oscuros, pero esto también
se puede ocasionar por el cambio de la posición de la
persona el momento del proceso de reconocimiento como se
puede observar en la figura 3.
Figura 3. Resultado estimación de albedo. [6]
Otro de los algoritmos es de representación escasa en donde
se modifican con coeficientes del vector representativo de la
imagen a evaluar, en donde tiene en cuanta un valor de
umbral, pero en comparación con el uso del PCA este tipo de
reconocimiento es de baja precisión, lo que se observa en la
figura 4 en donde las realizar el reconocimiento sobre
imágenes limpias, con poca luminosidad y otras presenta
mayor precisión.
Figura 4. Comparación algunos métodos de reconocimiento en
diversas imágenes.
En estos procesos sobre el reconocimiento facial usualmente
se realizan procedimientos en software en los cuales se
mesclan diferentes algoritmos, de tal manera que permiten
con mayor veracidad captar las características de la imagen,
como la mescla de algoritmos basados en PCA y redes
neuronales [3], los cuales basan sus estudios en la
transformada wavelet y Daubechies, el cual permite analizar
de una manera representativa en tiempo-frecuencia cada una
de las imágenes capturadas, de igual manera se basan en la
métrica euclidiana el cual se basa en reconocer puntos en el
espacio deducidos a partir del teorema de Pitágoras,
logrando una alta tasa de efectividad.
De igual manera la extracción de características en una
imagen basados en el posicionamiento o inclinación de la
cara en la persona y pixeles representativos [4], haciendo
utilización de HOG utilización de gradientes orientados, en
2
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.

el cual el histograma de una imagen divide el rango de
valores posibles de los píxeles de la imagen en una serie de
sub-rangos o clases del mismo o distinto tamaño entre ellos;
dado el rango de valores de píxel, se realiza una división en
ocho clases del mismo tamaño, y almacena en cada clase la
frecuencia de píxeles con un valor comprendido entre ese
sub-rango, es decir, el número de píxeles en la imagen cuyo
valor está entre los valores de inicio y fin de cada sub-rango
[7]. Además de la utilización de una máquina de vectores de
soporte el cual es un método de aprendizaje supervisado que,
a partir de unas muestras de entrada, reconoce patrones y
permite resolver problemas de clasificación y de regresión,
estos son muy utilizados dentro de los diferentes algoritmos
de reconocimiento facial.
Otra de las características de este algoritmo es que no
requiere de imágenes de entrada, ya que las generar de
manera aleatoria introduciendo atributos propios de la
fisiología humana antes mencionados, con los cuales realiza
el modelo del rostros y con ellos compara los atributos del
individuo a reconocer, dentro del cual el principal
componente de análisis genera vectores de textura que
estimas las distribuciones de probabilidad, éstos atributos
con reemplazados uno a uno sin importar el número de datos
que se presenten. La base de datos de este tipo de modelos
presenta rostros de personas de los pocos meses de edad.
Como se menciona anteriormente se genera un total de 7
distintas trenes o serie de imágenes con diferentes ángulos
que varía entre -30 y +30 grados.

Otra de las formas de realizar reconocimiento facial es a

través de la generación automática de una serie de modelos
morfológicos en 3D, en donde se usa modelos
probabilísticos o estadísticos; algoritmo analizado por
kristina Scherbaum y sus colegas el artículo “Fast face
detector training using tailored views”[5], donde una de las
características principales de este algoritmo es que se puede
adaptar automáticamente a cambios ambientales como
luminosidad, ángulo de captura, y ruido característico del
sensor o cámara; en este se analiza y generar un tren o serie
de siete imágenes que son evaluadas con la base de datos
característica.

En este proceso se evalúan atributos como la edad, el color

de piel, el peso entre otros; como parte del proceso de
reconocimiento, que se denomina FDDB de sus siglas en
inglés ( Face Detection Data Set Benchmark).

El método de reconocimiento en particular ayuda al análisis

de imágenes cuando las cámaras o el usuario se encuentran
en ángulos inusuales, es decir, realiza el reconocimiento sin
importar la posición del usuario frente al dispositivo de
adquisición, este proceso de adaptación a la posición y
variables propias del entorno de captura es una adaptación de
método de detección de objetos “Viola and Jones” que se
presentó en el 2001.
Las modelos se caracterizan por capas que se organizan de
manera jerárquica, incrementando las características a
evaluar, este algoritmo determina a su vez una constante de
umbralización, que se compara con la detección que realiza
en tiempo real, tal como se puede observar en la figura 5.
Estos modelos de rostros en 3D son generados a partir de
series de imágenes usando armónicos y a partir de éstos se
realiza una representación en 2D.
Figura 5. Organización Jerárquica de reconocimiento
La eficiencia de este algoritmo se aumenta cuando las
imágenes se encuentran en escala de grises ya que no se
tienen en cuenta las características de color, y la velocidad de
mismo dependerá del procesador o aplicación que se
requiera, ya que este algoritmo puede realizar el
reconocimiento facial de varias imágenes sin importar el
ángulo.
Pero, aunque el proceso de reconocimiento es tedioso, y
lento dependiendo si se aumentan el número de rostros, no se
sacrifica costo computacional a pesar de realizar todas las
etapas del proceso.

3. DESARROLLO DE LA APLICACIÓN

3
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.

El prototipo de seguridad mediante reconocimiento facial, se Figura 7. Ingreso de clave incorrecta.

realiza con el algoritmo de reconocimiento de PCA, un
Cuando la clave es correcta, se activa la cámara y muestra el
sistema de reconocimiento facial es una aplicación dirigida
objeto de video, se propone que el usuario nuevo a ingresar,
por el ordenador para identificar a una persona en una
centre el rostro en los recuadros marcados; después de un
imagen digital mediante la comparación de determinadas
tiempo se realiza la captura automáticamente y se despliega
características faciales, para el reconocimiento facial existes
el menú para guardar la imagen con el nombre que se desee,
diferentes algoritmos como PCA, LDA, DCT entre otras.
tal como se observa en la figura 8 y 9.
Para este caso se decide el uso del algoritmo de PCA por su
facilidad de implementación en el software de Matlab, esté
algoritmo descompone una imagen en un conjunto de
vectores ortogonales denominados “auto-vectores” o
vectores “eigenvectors”. El algoritmo de PCA realiza una
reducción dimensional, y esta es equivalente al número de
vectores que se utilicen, estos vectores representan las
componentes principales que son más comunes en imágenes
de diferentes caras.

Para el desarrollo de la aplicación se utiliza el software

MATLAB ®, y el proceso se divide en dos partes
Figura 8. Captura de nuevo usuario.
principales, la creación de la base de datos para realizar la
comparación de los usuarios a ingresar al domicilio o lugar y
el reconocimiento del individuo. En la imagen de la figura 6
se observa la interfaz diseñada.

Figura 9. Ingreso del nuevo usuario a la base de datos.

Para el proceso de ingreso y comparación del individuo se

Figura 6. Interfaz diseñada.
En el desarrollo de la interfaz se considera el ingreso de
nuevos usuarios a comparar, para lo cual el personal
autorizado tendrá una clave de acceso a esta opción, si la
clave ingresada es incorrecta, la interfaz le indicara que la
clave es incorrecta, tal como se observa en la imagen de la
figura 7.
proponen dos botones, un botón realiza la captura del
individuo, otro realiza el proceso de comparación con las
imágenes de la base de datos y si este se encuentra en está,
retorna el porcentaje de error con la imagen en la base de
datos, dándole acceso al lugar en donde se pretenda
implementar.
Para la captura de la imagen, se pulsa el botón “tomar
imagen”, esté crea un elemento de video lo visualiza y se
escucha y muestra el temporizador para la toma de la
imagen, tal como se muestra en la figura 10.

4
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.

Figura 10. Captura, usuario a ingresar.

Para el procesamiento de la imagen primero se consideran Figura 11. Reconocimiento exitoso con la base de datos.
varios parámetros, como la luz, puesto que este es el
principal problema del uso del algoritmo de PCA, al cambiar En donde se puede observar en la figura 11, que el usuario a
la luminosidad las intensidades de los pixeles de la imagen ingresar es más parecido al sujeto de la figura 8. En la
cambian, aumentando la diferencia entre las imágenes de la imagen de la figura 12 se observa el vector de diferencias y
base de datos y la capturada para la comparación. Otro factor el número de la imagen correspondiente al usuario a
que se tiene en cuenta para la realización del algoritmo es ingresar.
que la imagen solo tenga el rostro del usuario, es decir,
imágenes de caras, ya que al tener imágenes en las cuales
salga partes del cuerpo o contengan el mismo fondo causaba
confito, debido que al sacar el promedio de las imágenes se
sobreponía una sobre la otra, realizado una mala
identificación; otro punto a tener en cuenta es la
parametrización del tamaño de las imágenes, puesto que en
el desarrollo del algoritmo las imágenes de la base de datos y
a comprar se redimensionan al mismo tamaño, con el fin de
al momento de realizar el promedio, normalización, Figura 12. valor de diferencia.
generación de los vectores propios de la imagen y la
Si la persona no se encuentra en la base de datos como se
comparación, todos tengan la misma magnitud, evitando que
observa en la figura 13. Se genera una alarma, indicando que
se genere conflicto por una incoherencia en el tamaño de los
se encuentra un intruso intentando acceder como se observa
elementos.
en la figura 14.
Al procesar la imagen primero se realiza la lectura de las
imágenes presentes en la base de datos y la concatenación de
las mismas, es decir, estas se leen y se almacenan en un
vector, posteriormente a cada una de ellas se calcula el
promedio, con los cuales se genera la matriz de covarianza,
la que registra los valores más relevantes del conjunto de
imágenes. A la imagen a ingresar se realiza el mismo
proceso y se restan los promedios de la imagen con el fin de
normalizar, al comparar los vectores propios de la imagen
con las de la base de datos se genera una diferencia. Si la
diferencia tiene a cero el sujeto a ingresar es más cercano a Figura 13. Usuario a ingresar, “intruso”.
los presentes en la base registrados.

Para este caso si la diferencia entre las imágenes es menor a

30 que es el umbral que se ha dejado, el usuario tiene acceso,
en la figura 11 se observa el resultado positivo del
procesamiento.

5
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.

imágenes se redimensionaron a dicho tamaño. El

procesamiento corresponde a pasar a escala de grises la
imagen que se captura a través de la cámara, y procesarla
para que este quede redimensionada de acuerdo al tamaño
especificado anteriormente. Las imágenes disponibles se
cargan desde la base de datos.

En Matlab ®, se hace uso de las funciones y/o comandos

rgb2gray ( ) y imresize ( ).

Figura 14. Acceso denegado.

Figura 15. Vector de diferencias usuario incorrecto.

Se puede observar en la figura 15 que los valores del vector

de diferencias son superiores al rango de acceso por lo que
así tengan imágenes con una diferencia cercana no le permite
el acceso.

Figura 16. Promedio de una imagen de entrada, con las imágenes

4. ETAPAS DEL ALGORITMO IMPLEMENTADO
almacenadas en la base de datos.
El algoritmo de Eigenfaces se basa en diferentes etapas de
Paso 2. Se concatenan las imágenes del tamaño N X N X M
procesamiento para la detección de las características
principales en el rostro humano Se concatenan las imágenes en una Matriz por frames, en
este caso al corresponder M = 6, serán 6 frames; o se puede
Se deben tomar las imágenes de los rostros y almacenar en
realizar un arreglo de imágenes, en donde cada componente
una base de datos, se deben cambiar el tamaño de todas las
esta guardada con una variable correspondiente al mismo
imágenes en un tamaño N X N para realizar el
nombre en donde se encuentra guardadas las imágenes con el
procesamiento. A las imágenes se les debe sacar un
procesamiento realizado en el paso 1.
Promedio, y luego normalizar (retirar las componentes
productos de la operación del promedio). Paso 3. Se calcula el rostro Promedio. Se realiza un barrido
por todas las imágenes de tamaño N X N, ya establecida en
Se crea una matriz A de caras en donde cada fila tiene un
la base de datos.
tamaño de N XN, pero el tamaño total de la matriz A, estaría
constituido por el número de rostros o imágenes a comparar Paso 4. Normalización (remoción de promedios) , se resta el
en la base de datos, por lo que el verdadero tamaño de A es promedio a cada una de las imágenes .
de N X N X M. Se calcula la cara media, y luego se
normaliza, quitando el promedio a cada imagen,
obteniéndose una nueva matriz, que permitirá calcular la
covarianza , que permitirá calcular los valores propios o
autovalores de cada componente de la matriz de imágenes,
que servirá como un patrón de imagen. Se realiza luego la
combinación lineal de cada rostro original (características
propias de las imágenes que no se repiten).

Paso 1. Se cambian el tamaño de todos los rostros a un

tamaño definido N X N. En el caso del algoritmo
implementado, se escogió que N = 50, y cada una de las

6
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.
Figura 17. Normalización (remoción de los promedios)
Paso 5. Se realiza el cálculo de autovectores, y de la matriz
de covarianza C. Se genera una matriz de “ceros” cuyo
tamaño corresponde a N X N X M, y se almacena en una
variable A; posteriormente se calcula la matriz de covarianza
por medio de la transpuesta de A (A’). La matriz de
covarianza es compleja, y por eso se requiere trabajar con las
imágenes en escala de grises (dos dimensiones). Se realiza el
proceso de hallar los autovectores redimensionado la matriz.
Se convierte la imagen en un tamaño, para que finalmente
todo se vuelva un vector. El vector va a representar la
imagen con unos valores o autovalores característicos. Se
reorganiza el vector, desde el mayor al menor, y finalmente
se guardan los autovectores en una matriz que a su vez se
almacena en una variable.
Realización de una Prueba. Se carga una imagen diferente,
o en este caso se adquiere una imagen diferente, y se realiza
el mismo procedimiento descrito en el paso 1 Por temas de
luminosidad y control de luz, algunas pruebas pueden verse
afectadas, influyendo en la matriz de covarianza( que tiene la
información acerca de la similitud, o que tanto parecido
tienen las imágenes unas con otras). El algoritmo calculara la
distancia que hay entre los autovectores de las imágenes
almacenadas en la base de datos, con el autovector de la
imagen de entrada, se calcula la diferencia entre la distancia
que existe entre los eigenvalores de la base de datos, con el
eigenvalor de la imagen de entrada. La diferencia menor es
la imagen correspondiente o detectada (menor diferencia
entre los eigenvalores).
Figura 18. Autovectores correspondientes a cada imagen de la
base de datos.
Las fase de normalización es de una gran importancia en los
sistemas que utilizan Eigenfaces, la eficacia de los
Eigenfaces reside en su gran capacidad para caracterizar con
un mínimo error una imagen de una cara, esta capacidad es
siempre es muy alta con las imágenes con las que se han
generado las Eigenfaces, pero con otras imágenes de caras.
Es necesario tener en cuenta para la implementación las
siguientes características:
>Tamaño: se debe normalizar la distancia entre los ojos y
entre los ojos y la boca, es decir se normaliza la altura y la
anchura de la cara.
>Rotación en el plano de la imagen: utilizando las
posiciones de los dos ojos, se efectúa una rotación de la
imagen de manera que los dos ojos queden en horizontal.
>Zona de la cara utilizada: la cara se recorta de manera
que no aparezcan zonas del fondo de la imagen ni zonas del
pelo.
>Contraste y nivel de iluminación: se expande el rango de
niveles de gris de la imagen al máximo.
En PCA, las caras están representadas por combinaciones
lineales de vectores propios ponderados como Eigenfaces
[8].Una de las posturas es realizar una prueba de la imagen
identificando a una persona con el valor más pequeño entre
todos los valores de tipo euclidiano (en las imágenes),
presentes en la base de datos. Se utiliza el concepto de la
distancia euclidiana entre menor sea la distancia euclidea
indica las características máximas de la imagen de entrada
pudiendo ser reconocida, para lograr un emparejamiento con
la base de datos.
Los Eigenfaces son empleados para clasificar la imagen de
entrada, y cada nueva cara o imagen de entrada es
7
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.
transformada en su componente Eigenfaces, para luego ser
comparada con los eigenfaces del conjunto de entrenamiento
suficientemente grandes de imágenes entonces son capaces
de representar con fidelidad imágenes de cara de personas
que no están en el conjunto de entrenamiento.
Sin embargo, lo que siempre se consigue es una buena
representación de imágenes de caras que tienen alguna otra
imagen en el conjunto de entrenamiento, aunque estas tengan
variaciones en la expresión respecto a la imagen del conjunto
de entrenamiento, en estos casos, aunque la imagen
representada con las eigenfaces tenga un error considerable
la identidad de la cara siempre se preserva con gran fidelidad
Para el proceso de reconocimiento, una imagen de entrada
ingresa al sistema, esta se transforma a escala de grises y se
convierte en un vector de columna, se normaliza y se calcula
la matriz de pesos de las imágenes del conjunto de
entrenamiento.
Es necesario calcular la distancia euclidiana entre los
vectores correspondientes al conjunto de entrenamiento y la
imagen de entrada.
Determinando de esta forma la clase que minimiza la
distancia euclidiana y se compara contra determinado
umbral, otro parámetro útil para el proceso de
reconocimiento es el ángulo entre dos vectores.
La matriz de covarianza previamente obtenida de
dimensiones M*M, es empleada para obtener los
Eigenvalores, esta matriz viene de transformar cada imagen
en un vector, cada vector, el cual representa un rostro será
una columna en la matriz de covarianza.
Otra forma de analizar el algoritmo es la variación en el
tamaño de las imágenes. El tamaño de las imágenes no se ve
afectado por la precisión del sistema, y la tasa de
reconocimiento puede ser satisfactoria. Algunos de los
desafíos o problemas a tener en cuenta en el reconocimiento
de caras, se debe a variaciones en las iluminaciones,
expresiones faciales (gestos), oclusión, baja resolución, etc.
Muchos sistemas de reconocimiento facial necesitan rasgos
faciales, además de integrar características importantes en
concreto el procedimiento de diseño genera un descriptor de
la cara, mediante el uso de técnicas de procesamiento de
señales u operadores diseñados
4. CONCLUSION
Es de vital importancia tener control sobre las variables del
entorno en el que se presenta la aplicación, además se deben
definir las características de recuadro para la realización del
reconocimiento, de tal manera permitir llevar a cabo
adecuadamente el desarrollo de la aplicación.
Uno de los algoritmos más usados en las aplicaciones de
reconocimiento facial es el PCA, debido a los patrones que
utiliza para caracterizar una imagen, además de su facilidad
de implementación, ya que la base de datos no es muy
grande y realizara control sobre el entorno de trabajo de una
manera más adecuada.
El algoritmo de Eigenfaces, basado en PCA puede trabajar
de distintas formas, con algoritmos auxiliares, que permitan
el reconocimiento facial para la aplicación de identificación
de una base de datos particular, además de estar constituido
por etapas fundamentales para su correcto desarrollo, y la
consideración de algunas condiciones especiales que se
requieren para un buen funcionamiento del mismo.
5. REFERENCIAS
[1] Jordan Cheney,others. ”Unconstrained Face Detection:
State of the Art Baseline and Challenges”. The 8th IAPR
International Conference on Biometrics (ICB).2015.
[2] M. Parisa Beham, others. ”Performance Analysis of Face
Recognition Using State of the Art Approaches”. Vickram
College of Engineering. 2013.
[3] T.T.T. Bui, others. “Development of algorithms for face
and character recognition based on wavelet transforms,
PCA and neural networks”. International Siberian
Conference on Control and Communications (STBCON).
2015.
[4] Faizan Ahmad, others. “Image-based Face Detection and
Recognition: State of the Art”. Beijing University of
Aeronautics & Astronautics. 2013.
[5] Kristina Scherbaum y otros “Fast Face Detector
Training Using Tailored Views” IEEE, international
conference on computer vision, 2013.
[6] Jie ni and Rama Chellappa “Evaluation of the state of
the art algorithms for face recognition” IEEE, 17th
Internatioanl Conference on Image Processiing, September
26-29,2010.
[7] Arranz Aranda, others. ” Interacción persona-
computador basada en el reconocimiento visual de manos”.
Universidad Complutense de Madrid. 2012.
8
Universidad Pedagógica y Tecnológica de Colombia. PDI. Estado del Arte. Reconocimiento Facial.

[8] Saurabh. P. Bahurupi, D.S. Chaudhari. Principal

Component Analysis for Face Recognition. International
Journal of Engineering and Advanced Technology (IJEAT),
June 2012. Pag 92.