En la vida cotidiana, detectar una falacia puede tener importantes implicaciones en distintas situaciones sociales. Descifrar mentiras, puede ser determinante en situaciones que impliquen consecuencias graves o moderadas; como el caso de investigaciones policiales. El trabajo expuesto en las siguientes paginas tiene como fin la realización de un sistema de detección de mentiras que utilice una cámara web como medio único para la detección. Además de esto, se busca realizar la investigación correspondiente a las subáreas relacionadas al problema. Estas son la de detección de mentiras, Deep learning y visión computacional. En este trabajo expuesto, se asumirá al acto de mentir como cualquier acto que busque comunicar información falsa o trastornada, de forma deliberada con la finalidad de engañar a otros. La investigación realizada, se hará presente en el desarrollo de un pr...

En nuestro día a día, detectar una mentira podría tener importantes implicaciones en distintas situaciones sociales. Si alguien responde a una pregunta con información falsa, es posible que tenga detalles que no quiera revelar. Esta información logra ser determinante en circunstancias que signifiquen consecuencias graves o moderadas; por ejemplo, para indagaciones de carácter legal sobre actividades delinquías. El siguiente trabajo de investigación tiene como finalidad implementar una aplicación para la detección de falsedades mediante el uso de una webcam. Es decir, se requiere detectar mentiras utilizando un video. Además, se busca realizar una investigación que permita facilitar el desarrollo del sistema previamente mencionado. Dicha investigación se centra en el entendimiento de metodologías o tecnologías de detección de mentiras actuales y en técnicas de machine lea...

Deception detection has always been of subject of interest. After all, determining if a person is telling the truth or not could be detrimental in many real-world cases. Current methods to discern deceptions require expensive equipment that need specialists to read and interpret them. In this article, we carry out an exhaustive comparison between 9 different facial landmark recognition based recurrent deep learning models trained on a recent man-made database used to determine lies, comparing them by accuracy and AUC. We also propose two new metrics that represent the validity of each prediction. The results of a 5-fold cross validation show that out of all the tested models, the Stacked GRU neural model has the highest AUC of.9853 and the highest accuracy of 93.69% between the trained models. Then, a comparison is done between other machine and deep learning methods and our proposed Sta...