Impacto del preprocesamiento de imágenes en la efectividad de la verificación facial empleando visión computacional

Abstract

El objetivo de la investigación es evaluar el impacto del preprocesamiento de imágenes en la efectividad de la verificación facial. Un sistema de verificación facial realiza un proceso basado en detección de rostro, preprocesamiento de imagen, extracción de características y verificación facial. Los sistemas de verificación enfrentan desafíos relacionados a la iluminación, expresión o pose. Se decidió evaluar el impacto del preprocesamiento buscando aliviar estas dificultades. Se tomó en cuenta la evaluación del preprocesamiento en términos de alineamiento, suavizamiento, agudizamiento y ecualización. Se realizaron pruebas de efectividad en tres fuentes de información: Labeled Faces in the Wild (LFW), YouTube Faces DB (YTF) y una base de datos obtenida dentro del contexto local. Asimismo, se evaluó en tres algoritmos de extracción de características basados en redes neuronales convolucionales: OpenFace, VGGFace2 y Light CNN. Adicionalmente, se analizó con dos métodos de detección facial: basados en descriptores HOG y Haar. Se utilizó la metodología CRISP-DM para la analítica de datos y la metodología cascada para el desarrollo de software de dos prototipos. Los resultados de las pruebas alcanzaron una efectividad de hasta 98.18% en LFW, 85.72% en YTF y 93.62% en la base de datos del contexto local. Se demostró la relación entre los métodos de preprocesamiento y la efectividad del sistema corroborando que métodos como el alineamiento son muy efectivos. Se demostró que este impacto puede ser positivo o negativo dependiendo de la combinación de factores como la fuente de información, el modelo de verificación facial y el método de detección facial.