Desarrollo / investigación deuso de la Raspberry Pi paraaplicaciones biométricas deidentificación y seguridad.MISAEL FERNANDO PERILLA BENÍTEZ

DIRECTOR: GUILLERMO BOTELLA JUAN

15-noviembre-2016

TEMARIO

JUSTIFICACIÓN

OBJETIVOS

METODOLOGÍA

ANÁLISIS DE DATOS

RESULTADOS

CONCLUSIONES

JUSTIFICACIÓN

Necesidades sobre sistemas tecnológicos de apoyo a la seguridad.

Utilización de software que permita automatización de procesos.

Tendencia a utilizar micro-computación (acercamiento al Internet de las Cosas - IoT).

OBJETIVOGENERAL

Realizar una investigación sobre los diferentes algoritmos de reconocimiento facial y su desempeño sobre la placa Raspberry Pi 2 B+.

OBJETIVOSESPECÍFICOS

Verificar el estado del arte sobre desarrollos anteriores de proyectos de reconocimiento utilizando Raspberry Pi 2 B+.

Investigar sobre los diferentes algoritmos existentes para el reconocimiento facial.

Codificar aplicaciones compatibles con Raspberry Pi, basadas en los algoritmos de reconocimiento anteriormente recolectados.

Ejecutar las aplicaciones previamente desarrolladas en una Raspberry Pi 2 B+ y comprobar su correcto funcionamiento.

Realizar pruebas comparativas entre los diferentes aplicativos de reconocimiento facial en búsqueda de datos relevantes a estos, que permita determinar su rendimiento, eficiencia, eficacia y efectividad.

Evaluar los resultados de las pruebas, de los cuales poder generar conclusiones y/o recomendaciones.

METODOLOGÍA

CONSULTA DEALGORITMOS

ADAPTACIÓNHARDWARE Y

SOFTWARE

RE-CODIFICACIÓN

DE ALGORITMOS

PRUEBAS EN

DISPOSITIVO

COMPARACIÓN

DE RESULTADOS

INVESTIGACIÓN APLICADA (I+D)

ANÁLISIS DE DATOS

ALGORITMOS UTILIZADOS

PCA (Principal Components Analysis).

LDA (Linear Discriminant Analysis).

ICA (Independent Components Analysis).

EBGM (Elastic Bunch Graph Matching).

AAM (Active Appareance Models).

Metodos Kernel.

Trace Transform.

Viola-Jones.

RESULTADOSID´s Positivos

ALGORITMO TIEMPO

(SEG)

RENDIMIENTO

SOBRE RASPI 2

COMPLE-

JIDAD

ID

POSITIVAS

ID

NEGATIVOS

FALSOS

POSITIVOS

FALSOS

NEGATIVOS

PCA 2,34 30% M 165 0 0 0

LDA 2,56 35% M 165 0 0 0

ICA 3,43 35% A 164 1 0 1

EGBM 4 95% A 163 2 0 0

AAM* 10 90% A 165 0 0 0

KERNEL PCA 2 40% A 165 0 0 0

TRACE

TRANSFORM

**

4,67 55% A 165 0 0 0

VIOLA-

JONES

2,74 30% M 165 0 0 0

EIGENFACES

***

1 30% M 154 11 2 0

RESULTADOSKPPS

32,4529,66

22,1418,98

7,59

37,97

16,26

27,71

75,94

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

KPPS

RESULTADOSEfectividad

-

2.000,00

4.000,00

6.000,00

8.000,00

10.000,00

12.000,00

14.000,00

EFECTIVIDAD (KPPS*ACIERTOS)

Efectividad (Kpps*Aciertos)

CONCLUSIONES

PCA y sus derivados optimizados (Kernel PCA y Eigenfaces) son los que mejores resultados de identificación ofrecen, siendo el más destacado Eigenfaces por su velocidad en el proceso se reconocimiento y su poco impacto en el uso de recursos físicos.

Se recomienda utilizar la librería OpenCV para Python 2.7.X, la cual ya contiene rutinas con algorimos PCA, incluyendo Eigenfaces.

Para conexiones remotas en Raspberry Pi con GUI, se logra una mejor conexión mediante el uso del protocolo RDP, siendo esta más estable y segura que VNC.

GRACIAS