Comparación de técnicas de reconocimiento facial para controlar la asistencia de los estudiantes de nivel secundario de una institución educativa

• Autor: Olivos Julca, Charles
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/14521
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14521
• Nivel de acceso: acceso abierto
• Materia: Visión artificial; Reconocimiento facial; Procesamiento de imágenes; Control de asistencia; https://purl.org/pe-repo/ocde/ford#2.02.04

El uso de la tecnología para el ser humano se ha vuelto muy recurrente en la actualidad, lo podemos apreciar por el desarrollo e innovación tecnológica exponencial que trata de satisfacer la necesidad de agilizar y automatizar tareas, lo que vuelve a la tecnología indispensable. Centrándonos en la visión por computador y en los usos esenciales enfocadas a la seguridad y control, como el reconocimiento facial, reconocimiento dactilar, reconocimiento de patrones oculares, entre muchos otros, es cada vez habitual en nuestro día a día, como identificar el dueño de teléfono móvil, el conteo de personas en determinada área, el registro automático de los colaboradores de una organización. La implementación de estos sistemas de control por lo general es costosa de realizar y mantener, por ello, esta investigación se desarrolló con el fin de aportar una solución para la necesidad de registrar la asistencia de estudiantes de una institución educativa mediante reconocimiento facial, en la que se pueda implementar con equipos básicos y accesibles económicamente. Esta investigación realizó una comparación de técnicas de reconocimiento facial basándose en investigaciones previas, se identificó 3 técnicas que tenían mejor desempeño FisherFaces, EigenFaces y LBPH, pero que aplicadas al entorno de investigación se demostró que FisherFisher es más ligero en costo computacional, sobreponiéndose sobre EigenFaces y LBPH, sin embargo, el que demostró mejor desempeño en reconocimiento facial fue LBPH con 92% de exactitud y 86.4% de precisión, siendo más eficiente frente a EigenFaces y FisherFaces.