Diseño, implementación y evaluación de técnicas de reconocimiento facial basadas en redes neuronales convolucionales

Abstract

[ES] El objetivo principal del trabajo es el desarrollo de una aplicación de reconocimiento facial, comparando diversas técnicas de procesamiento de imagen e inteligencia artificial, basándose en clasificación mediante redes neuronales convolucionales. El proyecto se desarrollará con lenguaje de programación Python y la plataforma de aprendizaje profundo PyTorch.

Partiendo de esta idea se busca encontrar la aplicación más óptima que consiga, a partir de un dataset de imágenes de diferentes personas, realizar un reconocimiento facial lo más robusto posible, sobre las imágenes originales, así como analizar el resultado obtenido después de procesar y/o modificar las imágenes.

El conjunto de datos etiquetados consistirá en imágenes de caras de personas adquiridas en diferentes entornos con varias cámaras de teléfonos móviles. Este conjunto de datos permitirá entrenar y evaluar diferentes arquitecturas de redes neuronales convolucionales. Además, se analizará el efecto que tienen ciertas transformaciones de las imágenes originales sobre las tasas de acierto del clasificador.

[EN] The main objective of the project is the development of a face recognition application, comparing different image processing and artificial intelligence techniques, based on classification using convolutional neural networks. The project will be developed using Python programming language and PyTorch deep learning platform.

Based on this idea, the aim is to find the most optimal application that manages, from a dataset of images of different people, to perform the most robust facial recognition possible on the original images, as well as to analyse the result obtained after processing and modifying the images.

The labelled dataset will consist of images of people's faces acquired in different environments with several mobile phone cameras. This dataset will allow the training and evaluation of different convolutional neural network architectures. In addition, the effect of certain transformations of the original images on the classifier hit rates will be analysed.