La detección de rostros es una de las tareas esenciales ampliamente estudiadas en el campo de Visión Computacional. Varios autores han desarrollado diferentes técnicas para mejorar la detección de rostros en imágenes, pero estos trabajos están limitados a la hora de aplicarlos en videos y mas aun si estos presentan baja resolución. En esta investigación, se propone un nuevo modelo para la detección de rostros en videos de baja resolución basado en la morfología de la parte superior de las personas y utilizando las técnicas de Aprendizaje profundo (Redes convolucionales). Nuestros resultados muestran un promedio del 30% de precisión sobre la base de datos de Caviar y un 32% de precisión en la base de datos UCSP. Comparado con otras técnicas, nuestros resultados son mejores ya que trabajos anteriores solo alcanzan un 1% de precisión en estos escenarios.

La utilización de las cámaras de video para monitoreo de áreas públicas o privadas con motivos de seguridad ha venido incrementándose en los últimos tiempos, al igual que la necesidad de aplicaciones que automaticen el control sobre las imágenes que son capturadas con la finalidad de prevenir acciones delictivas u accidentes. Aunque se tienen trabajos en el área de la detección de rostros bien establecidos, estos fallan en su aplicación a situaciones reales de video vigilancia. La propuesta de este trabajo se basa en dar a conocer un nuevo esquema de procesamiento para la detección de rostros para secuencias de video de baja calidad, utilizando la propuesta paralela del algoritmo de flujo óptico de Gunnar Farnebäck, el descriptor de Flujo Violento modificado, Clasificadores en cascada de Haar, Patrones Locales Binarios entrenados con rostros de baja resolución y el empleo d...