Análisis comparativo de técnicas de visión por computador y machine learning para la re-identificación de personas desconocidas a través del rostro.
La re-identificación de personas es una parte esencial de los sistemas de seguimiento individual, ya que busca identificar a la misma persona en diferentes momentos y lugares. Para construir estos sistemas se utilizan diferentes tipos de características visuales y/o diversos modelos y/o algoritmos d...
Guardat en:
| Autor principal: | |
|---|---|
| Altres autors: | , , |
| Format: | article |
| Publicat: |
2024
|
| Matèries: | |
| Accés en línia: | https://repositorio.espe.edu.ec/handle/21000/44372 |
| Etiquetes: |
Afegir etiqueta
Sense etiquetes, Sigues el primer a etiquetar aquest registre!
|
Afegir etiqueta | Sumari: | La re-identificación de personas es una parte esencial de los sistemas de seguimiento individual, ya que busca identificar a la misma persona en diferentes momentos y lugares. Para construir estos sistemas se utilizan diferentes tipos de características visuales y/o diversos modelos y/o algoritmos de clasificación. En este trabajo proponemos un análisis comparativo, en el campo de la re-identificación de personas específicamente en el reconocimiento facial, con técnicas computacionales avanzadas con el fin de determinar el mejor modelo y/o algoritmo para la re-identificación. Para lo cual, se combinan descriptores de Visión por Computador, tales como Eigenfaces, Fisherfaces e Histogramas de Patrones Binarios Locales, con modelos y algoritmos de Machine Learning, tales como Redes Neuronales Convolucionales (CNNs) y Support Vector Machine (SVM), esta integración se refuerza con la implementación de técnicas de deep learning. Además, se utiliza el algoritmo de reconocimiento facial Viola-Jones, destacado en el campo de la Visión por Computador, que sigue siendo relevante en contextos específicos. Los resultados muestran que la combinación del descriptor Local Binary Patterns Histograms (LBPH) y el clasificador Support Vector Machine (SVM) es la que mejor se adapta al entorno controlado propuesto. Este modelo alcanza una precisión del 92,23% ± 0,9 en el reconocimiento de personas previamente identificadas y del 91,51% ± 0,9 en la identificación de personas no identificadas previamente. |
|---|