3 Reconocimiento facial
3.3 Clasificación de caras

Un sistema de reconocimiento facial funciona normalmente en dos fases principales. La primera fase es un proceso de formación y el segundo es la clasificación de los usuarios. Los métodos de reconocimiento facial modernos funcionan correctamente cuando hasta 10 imágenes de una persona están disponibles en la etapa de entrenamiento. Incluso se han desarrollado numerosas técnicas para el reconocimiento facial a partir de una sola imagen por persona. El proceso de formación debe ser completamente automatizado y los usuarios tienen que ser capaces de controlarlo. El proceso de capacitación utiliza algoritmos de clustering.

El objetivo principal de todos los algoritmos de clustering es identificar grupos o clases en el conjunto de datos de entrada. Hay muchos algoritmos de agrupamiento o clustering. Estos algoritmos se pueden dividir en dos grupos: De partición y algoritmos jerárquicos [5].

Como ejemplo de algoritmo de agrupamiento podemos mencionar K-means. Otro algoritmo utilizado para la agrupación es el mapa auto organizado (SOM), perteneciente a las técnicas de redes neuronales o agrupación espacial basadas en la densidad con ruido (DBSCAN).

Para la clasificación de las características extraídas de caras tenemos dos métodos, dependiendo del número de imágenes de capacitación y número de identidades que se va a utilizar en el sistema :

  • Máquinas de vectores soporte - se utiliza cuando sólo se considera un número de identidades en el sistema relativamente pequeño. Su principal problema es que el entrenamiento consume mucho tiempo del modelo cuando se utiliza gran número de muestras.
  • Vecino-k más cercano (con el uso de la distancia Chi-cuadrado) - Este algoritmo puede ser paralelizado y se utiliza en sistemas distribuidos fácilmente. La formación se hace simplemente mediante la inserción de características en la base de datos [5].