El ingeniero, Paulo Enrique Linares Otoya, está desarrollando, junto a un equipo de investigadores en la Universidad Nacional de Dong Hwa, una técnica para mejorar el sistema de reconocimiento facial. El estudio tiene como objetivo desarrollar un sistema que considere la variación en la posición de la cabeza para llevar a cabo su proceso.
“Este se considera una de las técnicas más difíciles porque, generalmente, se entrena al modelo de reconocimiento con una imagen frontal, como si fuera una imagen tipo pasaporte”, indica Paulo Linares. En otras palabras, si se introduce un ligero ajuste a la posición de la imagen (si se coloca una imagen de perfil o en cierto ángulo de inclinación), el reconocimiento podría presentar fallos.
¿Cómo se usa ensamble learning para la biometría?
El equipo de investigadores en Taiwán está trabajando en el reconocimiento facial con variabilidad en la orientación de la cabeza. Para ello, están aplicando una técnica conocida como ensamble learning.
“Es como un aprendizaje en conjunto. Típicamente, lo que se utiliza en machine learning es un solo modelo, se introduce la data y se obtiene un resultado. Pero, en este caso, puede ser un resultado a partir de varios modelos”, explica el investigador peruano.
Según lo declarado por Paulo Linares, cada modelo recibe una parte de la información y no toda la información completa, por lo que, con esa pequeña porción, toma una decisión. Finalmente, se juntan las decisiones de todos los modelos y se toma una decisión final respecto a la identidad de la persona.
Para entrenar a la IA, se hace uso de una sola imagen (de pasaporte o carnet), la cual se procesa para obtener puntos claves en el rostro del sujeto, como los bordes de los ojos, de la boca y la forma de la nariz.
“En estas regiones hay puntos que contienen información facial importante que es única para cada persona; para cada punto que se ha encontrado en la imagen se extraen los llamados vectores descriptores”, comenta Linares.
De esta forma, un vector descriptor es simplemente una representación de esa información facial, y un conjunto de vectores sirve para entrenar a varios modelos al mismo tiempo.
Se usan imágenes frontales, pues son las más comunes en los documentos de identidad. El objetivo de este tipo de reconocimiento facial es que el sistema pueda reconocer a una persona, incluso si ella está de perfil (aun cuando la IA ha sido entrenada sólo con una imagen frontal).
