DruBot: Prototipo robótico para autenticación por comparación de proporciones faciales para el control de asistencia y detectar la suplantación en evaluaciones
DOI:
https://doi.org/10.21754/tecnia.v29i1.561Palabras clave:
Face Landmarks, Haar Cascade, Distancia Euclidiana, Autenticación, Visión ArtificialResumen
Este trabajo describe el desarrollo del prototipo robótico llamado DruBot que busca reconocer los rostros de las personas que ingresan a un aula en específico, un área privada o un examen, comparándolos con una base de datos para cada caso (para distinguirlos a partir de las características extraídas de la foto del carnet universitario y los frames obtenidos del video de bienvenida de cada estudiante) y determinar si la persona que se ve a través de la cámara tiene o no acceso al área, emitiendo una señal distinta si se le permite el ingreso o no. Aplicamos técnicas de visión artificial (Haar cascade para la detección de rostros en toda la imagen capturada por la cámara en tiempo real y Face Landmarks para encontrar los puntos clave del rostro humano detectado, calcular sus proporciones a partir de distancias euclidianas y comparar para el reconocimiento de cada persona en específico) y comunicación serial con dispositivos electrónicos a fin de que los presentes noten cuándo hay un intruso o cuándo ha reconocido bien a alguien para tomarle asistencia.
Descargas
Citas
[1]Learned, R 2011 Introduction to Computer Vision. Department of Computer Science University of Massachusetts, Amherst, MA 01003
[2]Rathod D, Shylaja V & Natarajan S 2014 Facial Landmark Localization -A Literature Survey INPRESSCO Karnataka, India pp 1901-1907
[3]Sucar, R & Gómez, G 2011 Vision Computacional. México
[4]Sinha P, Balas B, Ostrovsky Y & Russell R 2006 Face Recognition by Humans: Nineteen Results All Computer Vision Researchers Should Know About IEEE Computer Society pp 1948-1962
[5]Szeliski R 2010 Computer Vision: Algorithms and Applications Springer
[6]Chellappa R, Sinha P & Phillips J 2010 Face recognition by computers and humans IEEE Computer Societypp 46-55
[7]Wilson, P & Fernandez, J 2006 Facial Feature Detection Using Haar Classifiers JCSC
[8]Xiaoguang Lu 2004 Image Analysis for Face Recognition IEEE Computer Society China
[9]Tie Y & Guan L 2013 Automatic landmark point detection and tracking for human facial expressions. EURASIP Journal
[10]Ageitgey A 2017 Face_recognition package. Recuperado de: “http://cort.as/-JHLX”
[11]ViolaP & JonesM 2001 Rapid object detection using a boosted cascadeof simple features. CVPR (1) pp 511-518
[12]KingD 2009 Dlib-ml: A machine learning toolkit. Journal of Machine Learning Researchpp 1755-1758
[13]DanielssonP 1980 Euclidean distance mapping. Computer Graphics and image processingpp 227-248
[14]AmosB, Ludwiczuk B & Satyanarayanan M 2016 Openface: A general-purpose face recognition library with mobile aplication. CMU School of Computer Science
[15]TaigmanY, Yang, M, Ranzato, M & Wolf, L 2014 Deepface: Closing the gap to human-level performance in face verfication. In Proceedings of the IEEE conference on computer vision and pattern recognitionpp 1701-1708
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2019 TECNIA
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos publicados por TECNIA pueden ser compartidos a través de la licencia pública internacional Creative Commons: CC BY 4.0. Permisos lejos de este alcance pueden ser consultados a través del correo tecnia@uni.edu.pe
