PLATAFORMA DE SERVICIOS DE RECONOCIMIENTO FACIAL PARA DETECCIÓN DE PRÓFUGOS DE LA JUSTICIA EN ECUADOR

José González Astudillo; Martín Zhindón Mora

PLATAFORMA DE SERVICIOS DE RECONOCIMIENTO FACIAL PARA DETECCIÓN DE PRÓFUGOS DE LA JUSTICIA EN ECUADOR

Autores/as

José González Astudillo Universidad Católica de Cuenca
Martín Zhindón Mora Universidad Católica de Cuenca https://orcid.org/0000-0003-4475-830X

Palabras clave:

Aprendizaje profundo, reconocimiento facial, detección de rostros, biometría.

Resumen

El presente trabajo plantea la implementación de una plataforma de reconocimiento facial, diseñada para su uso por entidades de seguridad gubernamentales y por el público en general, mediante servicios web. El objetivo principal de la plataforma es apoyar a las entidades de seguridad del país en la búsqueda y captura de personas requeridas por la justicia, mediante el uso del reconocimiento a partir de imágenes provenientes de fuentes públicas y privadas. Para lograr mejores resultados se escogió el detector de rostros basado en aprendizaje profundo de OpenCV en combinación con un modelo pre entrenado de reconocimiento facial basado en deep metric learning. Las pruebas de la plataforma se realizaron utilizando diversas fuentes de imagen en distintos entornos. El resultado final de este trabajo es una plataforma reconocimiento facial, funcional y escalable, con una tasa de éxito de que bordea el 92% con tiempos de respuesta bajos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Ministerio de gobierno. (2019). Indicadores de seguridad ciudadana. [online] Available at: http://cifras.ministeriodelinterior.gob.ec/comisioncifras/inicio.php# [Accessed 19 Jan. 2020].

Kumar, V. D. A., Kumar, V. D. A., Malathi, S., Vengatesan, K., y Ramakrishnan, M. (2018, jul). Facial Recognition System for Suspect Identification Using a Surveillance Camera. Pattern Recognition and Image Analysis, 28(3), 410–420. Descargado de http://link.springer .com/10.1134/S1054661818030136 doi: 10.1134/S1054661818030136

Deng, Li, y Yu, Dong. (2014). Deep Learning: Methods and Applications. Foundations and Trends in Signal Processing, Vol. 7, Nos. 3–4 (2013) 197–38. Descargado de https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/DeepLearning-NowPublishing-Vol7-SIG-039.pdf
doi: 0.1561/2000000039
Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A Unified Embedding for Face Recognition and Clustering. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 07-12-June-2015, 815–823. https://doi.org/10.1109/CVPR.2015.7298682

Huang, Gary B., Ramesh Manu, Berg Tamara y Learned-Miller, Erik. (2007)
Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments. University of Massachusetts, Amherst, Technical Report 07-49, October, 2007.

King, D. E. (2017). High Quality Face Recognition with Deep Metric Learning. Recuperado a partir de http://blog.dlib.net/2017/02/high-quality-face -recognition-with-deep.html
Hmani, M. A., y Petrovska-Delacretaz, D. (2018, mar). State-of-the-art face recognition performance using publicly available software and datasets. En 2018 4th international conference on advanced technologies for signal and image processing (atsip) (pp. 1–6). IEEE. Descargado de https:// ieeexplore.ieee.org/document/8364450/ doi: 10.1109/ATSIP.2018 .8364450

Amos B., Ludwiczuk B. y Satyanarayanan M. (2016) Openface: A general-purpose face recognition library with mobile applications.

Santoso, K., y Kusuma, G. P. (2018). Face Recognition Using Modified OpenFace. Procedia Computer Science, 135, 510–517. Descargado de https://linkinghub.elsevier.com/retrieve/pii/ S1877050918314935 doi: 10.1016/j.procs.2018.08.203

Zheng, H. H., y Zu, Y. X. (2018). A Normalized Light CNN for Face Recognition. Journal of Physics: Conference Series, 1087, 062015. Descargado de http://stacks.iop.org/1742-6596/1087/i= 6/a=062015?key=crossref.24baf4cfe11a56fb226724dcbc99e1c1 doi: 10.1088/1742-6596/1087/6/06201513