La detección de rostros, también llamada detección de rostros, es una tecnología informática basada en inteligencia artificial (IA) que se utiliza para encontrar e identificar rostros humanos en imágenes digitales. La tecnología de detección de rostros se puede aplicar a varios campos, incluida la seguridad, la biometría, la aplicación de la ley, el entretenimiento y la seguridad personal, para proporcionar vigilancia y seguimiento de personas en tiempo real.
La detección de rostros ha progresado desde técnicas rudimentarias de visión por computadora hasta avances en aprendizaje automático (ML) hasta redes neuronales artificiales (ANN) cada vez más sofisticadas y tecnologías relacionadas; el resultado ha sido una mejora continua del rendimiento. Ahora juega un papel importante como primer paso en muchas aplicaciones clave, incluido el seguimiento facial, el análisis facial y el reconocimiento facial. La detección de rostros tiene un efecto significativo sobre cómo se realizarán las operaciones secuenciales en la aplicación.
En el análisis de rostros, la detección de rostros ayuda a identificar en qué partes de una imagen o video se debe enfocar para determinar la edad, el género y las emociones mediante expresiones faciales. En un sistema de reconocimiento facial, que mapea matemáticamente las características faciales de un individuo y almacena los datos como una huella facial, se requieren datos de detección de rostros para los algoritmos que distinguen qué partes de una imagen o video se necesitan para generar una huella facial. Una vez identificada, la nueva impresión facial se puede comparar con las impresiones faciales almacenadas para determinar si hay una coincidencia.
Cómo funciona la detección de rostros
Las aplicaciones de detección de rostros utilizan algoritmos y ML para encontrar rostros humanos en imágenes más grandes, que a menudo incorporan otros objetos que no son rostros, como paisajes, edificios y otras partes del cuerpo humano, como pies o manos. Los algoritmos de detección de rostros suelen comenzar buscando ojos humanos, una de las funciones más fáciles de detectar. El algoritmo podría intentar detectar las cejas, la boca, la nariz, las fosas nasales y el iris. Una vez que el algoritmo concluye que ha encontrado una región facial, aplica pruebas adicionales para confirmar que, de hecho, ha detectado una cara.
Para ayudar a garantizar la precisión, los algoritmos deben entrenarse en grandes conjuntos de datos que incorporen cientos de miles de imágenes positivas y negativas. El entrenamiento mejora la capacidad de los algoritmos para determinar si hay caras en una imagen y dónde están.
Los métodos utilizados en la detección de rostros pueden basarse en el conocimiento, en las características, en la coincidencia de plantillas o en la apariencia. Cada uno tiene ventajas y desventajas:
- Los métodos basados en el conocimiento o en las reglas describen un rostro en función de las reglas. El desafío de este enfoque es la dificultad de crear reglas bien definidas.
- Los métodos invariables de características, que utilizan características como los ojos o la nariz de una persona para detectar una cara, pueden verse afectados negativamente por el ruido y la luz.
- Los métodos de comparación de plantillas se basan en comparar imágenes con patrones o características estándar de caras que se han almacenado previamente y correlacionar las dos para detectar una cara. Desafortunadamente, estos métodos no abordan las variaciones de pose, escala y forma.
- Los métodos basados en la apariencia emplean análisis estadístico y aprendizaje automático para encontrar las características relevantes de las imágenes faciales. Este método, también utilizado en la extracción de características para el reconocimiento facial, se divide en submétodos.
Algunas de las técnicas más específicas utilizadas en la detección de rostros incluyen:
- Eliminar el fondo. Por ejemplo, si una imagen tiene un fondo monocromático liso o un fondo estático predefinido, eliminar el fondo puede ayudar a revelar los límites de la cara.
- En las imágenes en color, a veces se puede utilizar el color de la piel para encontrar caras; sin embargo, es posible que esto no funcione con todos los cutis.
- Usar el movimiento para encontrar caras es otra opción. En el video en tiempo real, una cara casi siempre se mueve, por lo que los usuarios de este método deben calcular el área en movimiento. Un inconveniente de este método es el riesgo de confusión con otros objetos que se mueven en el fondo.
- Una combinación de las estrategias enumeradas anteriormente puede proporcionar un método integral de detección de rostros.
La detección de rostros en las imágenes puede resultar complicada debido a la variabilidad de factores como la pose, la expresión, la posición y la orientación, el color de la piel y los valores de píxeles, la presencia de gafas o vello facial y las diferencias en la ganancia de la cámara, las condiciones de iluminación y la resolución de la imagen. Los últimos años han traído avances en la detección de rostros mediante el aprendizaje profundo, que presenta la ventaja de superar significativamente los métodos tradicionales de visión por computadora.
Las principales mejoras en la metodología de detección de rostros se produjeron en 2001, cuando los investigadores de visión por computadora Paul Viola y Michael Jones propusieron un marco para detectar rostros en tiempo real con alta precisión. El marco de Viola-Jones se basa en entrenar a un modelo para que comprenda qué es y qué no es un rostro. Una vez entrenado, el modelo extrae características específicas, que luego se almacenan en un archivo para que las características de las nuevas imágenes se puedan comparar con las características almacenadas previamente en varias etapas. Si la imagen en estudio pasa por cada etapa de la comparación de características, entonces se ha detectado un rostro y las operaciones pueden continuar.
Aunque el marco de Viola-Jones sigue siendo popular para reconocer rostros en aplicaciones en tiempo real, tiene limitaciones. Por ejemplo, es posible que el marco no funcione si una cara está cubierta con una máscara o bufanda, o si una cara no está correctamente orientada, es posible que el algoritmo no pueda encontrarla.
Para ayudar a eliminar los inconvenientes del marco Viola-Jones y mejorar la detección de rostros, se han desarrollado otros algoritmos, como la red neuronal convolucional basada en regiones (R-CNN) y el detector de disparo único (SSD), para ayudar a mejorar los procesos.
Una red neuronal convolucional (CNN) es un tipo de red neuronal artificial utilizada en el reconocimiento y procesamiento de imágenes que está diseñada específicamente para procesar datos de píxeles. Una R-CNN genera propuestas de región en un marco de CNN para localizar y clasificar objetos en imágenes.
Si bien los enfoques basados en la red de propuestas de región, como R-CNN, necesitan dos tomas, una para generar propuestas de región y otra para detectar el objeto de cada propuesta, SSD solo requiere una toma para detectar varios objetos dentro de la imagen. Por lo tanto, SSD es significativamente más rápido que R-CNN.
Ventajas de la detección de rostros
Como elemento clave en las aplicaciones de imágenes faciales, como el reconocimiento facial y el análisis facial, la detección facial crea varias ventajas para los usuarios, que incluyen:
- Seguridad mejorada. La detección de rostros mejora los esfuerzos de vigilancia y ayuda a localizar a criminales y terroristas. La seguridad personal también se mejora, ya que los piratas informáticos no tienen nada que robar o cambiar, como contraseñas.
- Fácil de integrar. La tecnología de detección y reconocimiento facial es fácil de integrar y la mayoría de las soluciones son compatibles con la mayoría del software de seguridad.
- Identificación automatizada. En el pasado, la identificación la realizaba manualmente una persona; esto era ineficiente y frecuentemente inexacto. La detección de rostros permite automatizar el proceso de identificación, ahorrando tiempo y aumentando la precisión.
Desventajas de la detección de rostros
Si bien la detección de rostros ofrece grandes beneficios a los usuarios, también presenta varias desventajas, que incluyen:
- Carga masiva de almacenamiento de datos. La tecnología ML utilizada en la detección de rostros requiere un potente almacenamiento de datos que puede no estar disponible para todos los usuarios.
- La detección es vulnerable. Si bien la detección de rostros proporciona resultados más precisos que los procesos de identificación manual, también se puede eliminar más fácilmente por cambios en la apariencia o los ángulos de la cámara.
- Una posible violación de la privacidad. La capacidad de detección de rostros para ayudar al gobierno a localizar a los delincuentes genera enormes beneficios; sin embargo, la misma vigilancia puede permitir que el gobierno observe a los ciudadanos privados. Se deben establecer regulaciones estrictas para garantizar que la tecnología se use de manera justa y en cumplimiento de los derechos de privacidad humana.
Detección de rostros frente a reconocimiento de rostros
Aunque los términos Detección de rostro y Reconocimiento facial se utilizan a menudo juntos, el reconocimiento facial es solo una aplicación para la detección de rostros, aunque una de las más importantes. El reconocimiento facial se utiliza para desbloquear teléfonos y aplicaciones móviles, así como para la verificación biométrica. Las industrias de banca, comercio minorista y seguridad en el transporte emplean el reconocimiento facial para reducir la delincuencia y prevenir la violencia.
En resumen, el término Reconocimiento facial se extiende más allá de detectar la presencia de un rostro humano para determinar de quién es. El proceso utiliza una aplicación informática que captura una imagen digital del rostro de una persona, a veces tomada de un cuadro de video, y la compara con imágenes en una base de datos de registros almacenados.
Usos de la detección de rostros
Aunque todos los sistemas de reconocimiento facial utilizan la detección de rostros, no todos los sistemas de detección de rostros se utilizan para el reconocimiento facial. La detección de rostros también se puede aplicar para la captura de movimientos faciales o el proceso de convertir electrónicamente los movimientos faciales de un ser humano en una base de datos digital utilizando cámaras o escáneres láser. Esta base de datos se puede utilizar para producir animaciones de computadora realistas para películas, juegos o avatares.
La detección de rostros también se puede utilizar para enfocar automáticamente las cámaras o para contar cuántas personas han entrado en un área. La tecnología también tiene aplicaciones de marketing, por ejemplo, mostrar anuncios específicos cuando se reconoce una cara en particular.
Otra aplicación para la detección de rostros es parte de una implementación de software de inferencia emocional, que puede, por ejemplo, usarse para ayudar a las personas con autismo a comprender los sentimientos de las personas que los rodean. El programa «lee» las emociones en un rostro humano utilizando un procesamiento de imágenes avanzado.
Un uso adicional es extraer inferencias del lenguaje a partir de señales visuales o «lectura de labios». Esto puede ayudar a las computadoras a determinar quién está hablando, lo que puede ser útil en las aplicaciones de seguridad. Además, la detección de rostros se puede utilizar para ayudar a determinar qué partes de una imagen desenfocar para garantizar la privacidad.
