Reconocimiento facial one-shot usando redes siamesas para control de acceso

Abstract

El reconocimiento facial engloba multitud de aplicaciones de una importancia vital para el desarrollo de la vida diaria y entornos empresariales. Por esto, en este trabajo la premisa ha sido la elaboración de un control de acceso utilizando esta característica tan única en los seres humanos, el rostro. Para llevarlo a cabo, Python ha sido el lenguaje de programación que engloba todo el proyecto. Las redes neuronales fueron las encargadas de, mediante técnicas de one-shot learning, aprender a diferenciar entre sujetos desconocidos a través de sus caras. Así pues, las redes siamesas y la función de pérdidas Triplet Loss, fueron las elegidas para realizar esta labor haciendo uso de estructuras tales como ResNet-50, Xception e Inception-ResNet V1. El objetivo que se propuso fue el entrenamiento de estas redes, comparándolas con el rendimiento de una red preentrenada, junto a una posterior validación para el control de acceso en una Raspberry Pi 4 como ejemplo de sistema embebido. Los resultados obtenidos para ambas vertientes demostraron una correcta distinción entre diferentes sujetos, a la vez que se podía autenticar la identidad de una persona comparando su cara con las guardadas en una base de datos, todo esto probando que el reconocimiento facial es una herramienta práctica en la disciplina del control de acceso.

In Facial recognition includes several applications with vital importance for the development of the daily and business life. Hence, the main goal in this paper has been to develop an access controller using the humansúnique characteristic, the face. To do so, Python has been the programming language used during the project. Neural networks, using one-shot learning techniques, were responsible of learning to differenciate between unknown subjects through their faces. Thereby, siamese networks and the Triplet Loss function were the chosen ones to do the aforementioned, using structures such us ResNet-50, Xception and Inception-ResNet V1. The goal was to train this networks comparing them with the performance of a already trained network and a later validation for access control in a Raspberry Pi 4 as an example of an embedded system. Results obtained in both cases showed a correct distinction between different subjects and, at the same time, that it was possible to authenticate the personal identity comparing their face with the ones stored in a database. All this, demonstrating that facial recognition is a practical tool in the access control field.