Universidad Nacional del Callao
Sistema de Acceso mediante
Reconocimiento facial guiado
por IA
Peralta Romero Robert Smit Stalin
Roque Janampa Marcus Steven
Ochoa Chachi Angela Lucía
Echeverría Oyarce Joseph
Velásquez Chinchay Rubén
Universidad Nacional del Callao
Resumen - accessible device, integrating open source
La seguridad en el acceso a espacios físicos tools.
enfrenta desafíos con los sistemas General: The system guarantees efficient
tradicionales (llaves o tarjetas) debido a access control in optimal lighting and image
vulnerabilidades como pérdida, duplicación o quality conditions.
robo. El reconocimiento facial surge como una Specific: Factors such as lighting, image
solución moderna, pero su alto costo limita su resolution, distance and amount of training
adopción. Este proyecto propone desarrollar data affect the accuracy of the system.
un sistema de control de acceso económico y Dependent: Accuracy of facial recognition.
eficiente utilizando el ESP32-CAM, un Independent: Lighting conditions, image
dispositivo accesible, integrando herramientas resolution, amount of training data and
de código abierto. distance from the subject to the camera.
General: El sistema garantiza un control de
acceso eficiente en condiciones óptimas de I. Introducción:
iluminación y calidad de imagen. 1.1. Planteamiento del problema: En la
Específicas: Factores como iluminación, actualidad, la seguridad en el acceso a espacios
resolución de imagen, distancia y cantidad de físicos es una prioridad en diversos ámbitos
datos de entrenamiento afectan la precisión del como hogares, oficinas y establecimientos
sistema. comerciales. Los sistemas tradicionales de
Dependiente: Precisión del reconocimiento control de acceso, como cerraduras físicas o
facial. Independientes: Condiciones de tarjetas electrónicas, presentan
iluminación, resolución de imágenes, cantidad vulnerabilidades como la pérdida, duplicación
de datos de entrenamiento y distancia del o robo, que comprometen su efectividad. En
sujeto a la cámara. este contexto, el reconocimiento facial emerge
como una tecnología innovadora que permite
Abstract - un acceso seguro, rápido y personalizado. Sin
Security in access to physical spaces faces embargo, la implementación de este tipo de
challenges with traditional systems (keys or sistemas suele estar limitada por costos
cards) due to vulnerabilities such as loss, elevados o requerimientos tecnológicos
duplication or theft. Facial recognition complejos. Este proyecto busca abordar este
emerges as a modern solution, but its high cost desafío mediante el uso del ESP32-CAM, un
limits its adoption. This project proposes to dispositivo accesible y económico, para
develop an economical and efficient access desarrollar un sistema de control de acceso
control system using the ESP32-CAM, an basado en reconocimiento facial, integrando
software de código abierto.
Universidad Nacional del Callao
1.1.1. Descripción: de la realidad entornos comerciales, monitoreando grandes
problemática El uso de sistemas tradicionales volúmenes de personas en tiempo real. Este
de seguridad, como claves o contraseñas, caso refleja la capacidad de la tecnología para
presenta problemas como la facilidad de funcionar a gran escala, aunque ha generado
pérdida, olvido o acceso no autorizado. Por debates sobre privacidad y control social [4].
otro lado, la implementación de sistemas Otro caso destacado es el de Singapur, donde
biométricos de alto costo limita su adopción universidades han explorado el uso del
masiva. En entornos donde la seguridad es reconocimiento facial en proyectos de bajo
crucial, como hogares, oficinas o espacios costo con dispositivos como Raspberry Pi.
restringidos, surge la necesidad de desarrollar Estos sistemas han demostrado ser efectivos
soluciones accesibles que integren tecnologías para aplicaciones domésticas y comerciales en
modernas como el reconocimiento facial. entornos con recursos limitados [5].
1.1.2. Formulación del problema: ¿Cómo 2.1.2. Antecedentes Nacionales En Perú: el
desarrollar un sistema de control de acceso reconocimiento facial se ha limitado a
económico y efectivo basado en aplicaciones gubernamentales y académicas.
reconocimiento facial utilizando hardware Por ejemplo, el Registro Nacional de
accesible como el ESP32-CAM? Identificación y Estado Civil (RENIEC) utiliza
esta tecnología para validar identidades en
II. Desarrollo procesos como emisión de documentos y
registro electoral, garantizando altos niveles de
2.1. Antecedentes seguridad y reduciendo fraudes [6]. En el
2.1.1. Antecedentes Internacionales: El uso ámbito académico, la Universidad Nacional de
del reconocimiento facial ha crecido Ingeniería (UNI) implementó un sistema
exponencialmente en la última década, basado en hardware accesible como Arduino
especialmente en aeropuertos y sistemas de para controlar el acceso a laboratorios. Este
transporte, donde se utiliza para mejorar la proyecto demostró que es posible desarrollar
seguridad y agilizar los procesos. En Estados soluciones económicas y funcionales
Unidos, la Oficina de Aduanas y Protección utilizando herramientas de código abierto [7].
Fronteriza (CBP) implementó sistemas Por su parte, la Pontificia Universidad Catolica
biométricos en más de 49 aeropuertos del Peru (PUCP) desarrolló un sistema
internacionales, permitiendo identificar a los experimental para monitorear flujos de
pasajeros al comparar sus fotografías con personas en pequeñas empresas, utilizando
imágenes almacenadas en pasaportes o visas. reconocimiento facial para análisis
En 2023, se realizaron más de 113 millones de estadísticos. Aunque su objetivo principal no
escaneos, lo que refleja el impacto de esta fue el control de acceso, sentó las bases para
tecnología en la modernización de los viajes implementar tecnologías biomédicas en
internacionales [1, 2]. Además, la entornos comerciales [8].
Administración de Seguridad en el Transporte En el transporte público, se han realizado
(TSA) ha iniciado pruebas piloto donde el pilotos en estaciones de trenes y autobuses en
reconocimiento facial reemplaza métodos Lima, integrando reconocimiento facial para
tradicionales de verificación de identidad. Este mejorar la seguridad y experiencia del usuario.
sistema sin contacto busca optimizar el tiempo Aunque estos proyectos enfrentan desafíos
en los puntos de control, con una precisión del financieros, representan un avance en la
98 %, reduciendo errores humanos y tiempos implementación de tecnologías modernas [9].
de espera [3]. 2.1.3. Relevancia de los Antecedentes: Estos
En China, empresas como SenseTime y antecedentes reflejan como el reconocimiento
Megvii han integrado sistemas de facial está transformando diversos sectores.
reconocimiento facial en espacios públicos y Los casos internacionales destacan la
Universidad Nacional del Callao
escalabilidad y sofisticación tecnológica, simplicidad y efectividad en entornos con
mientras que los ejemplos nacionales subrayan recursos limitados.
la necesidad de soluciones accesibles y 2.2.5. ESP32-CAM: El ESP32-CAM es una
adaptadas al contexto local. Este proyecto placa de desarrollo que combina un
busca contribuir a este enfoque mediante el microcontrolador ESP32 con una cámara
uso del ESP32-CAM, un dispositivo OV2640 integrada. Sus características
económico que permite implementar sistemas incluyen: Procesador dual-core de 32 bits con
funcionales y replicables. velocidad de hasta 240 MHz. Memoria RAM
integrada de 520 KB. Soporte para tarjetas
2.2. Bases teóricas: El desarrollo de este microSD para almacenamiento adicional.
proyecto se basa en diversas tecnologías y Conectividad Wi-Fi y Bluetooth. El
herramientas, que permiten la comunicación ESP32-CAM es ideal para proyectos de
entre el hardware y el software, y hacen Internet de las Cosas (IOT) y visión por
posible el reconocimiento facial en tiempo computadora debido a su bajo costo y
real. Las principales tecnologías utilizadas son versatilidad.
las siguientes: 2.2.6. Solenoid Lock: El solenoid lock es un
2.2.1. Python: El lenguaje de programación dispositivo electromecánico utilizado para
Python se utiliza para implementar el controlar el acceso a través de una señal
algoritmo de reconocimiento facial. La librería eléctrica. En este proyecto, el solenoid lock se
OpenCV se emplea para procesar las imágenes activa al reconocer un rostro autorizado,
y realizar la detección de rostros. permitiendo la apertura de una puerta de
2.2.2. OpenCV: OpenCV (Open Source manera automática.
Computer Vision Library) es una librería de
visión por computadora de código abierto que 3. Hipótesis y Variables
permite realizar tareas como la detección de 3.1. Hipótesis: El proyecto plantea el
rostros, el seguimiento de objetos y el desarrollo de un sistema de control de acceso
procesamiento de imágenes. En este proyecto, basado en reconocimiento facial utilizando
se utiliza para entrenar el modelo de hardware accesible como el ESP32-CAM. Las
reconocimiento facial y para detectar los hipótesis planteadas buscan evaluar la
rostros en las imágenes capturadas por la efectividad del sistema, su viabilidad en
cámara del ESP32-CAM. entornos controlados y las condiciones
2.2.3. Arduino IDE: El entorno de desarrollo necesarias para su óptimo funcionamiento.
Arduino IDE se usa para programar el 3.1.1. Hipótesis general:El sistema de
ESP32-CAM, donde se configura la cámara y reconocimiento facial basado en ESP32-CAM
se establece el servidor web para capturar y puede garantizar un control de acceso eficiente
enviar las imágenes al script en Python. y confiable, siempre que las condiciones de
2.2.4. Reconocimiento facial: El iluminación y calidad de las imágenes sean
reconocimiento facial es una técnica adecuadas.
biométrica que identifica o verifica la 3.1.2. Hipótesis específicas: El sistema logra
identidad de una persona a partir de las identificar correctamente un rostro registrado
características de su rostro. Este proceso se con una precisión aceptable en un entorno
basa en la extracción de características controlado. Las condiciones de iluminación
distintivas como la distancia entre ojos, forma afectan significativamente la capacidad de
de la mandíbula y textura de la piel. Los reconocimiento del sistema. La resolución de
algoritmos comunes para esta tarea incluye las imágenes capturadas es un factor
Eigenfaces, Fisherfaces y Local Binary determinante en el éxito del reconocimiento
Patterns Histograms (LBPH), este último facial. El tiempo de respuesta del sistema es
siendo utilizado en este proyecto por su
Universidad Nacional del Callao
adecuado para aplicaciones prácticas de viabilidad del sistema, así como identificar
control de acceso. posibles áreas de mejora para futuras
3.2. El análisis de las variables permite implementaciones.
estructurar y validar los factores que influyen
en el desempeño del sistema. 4. Metodología
3.2.1. Variable dependiente Precisión del 4.1. Diseño metodológico: El presente
sistema de reconocimiento facial: Representa proyecto sigue un diseño experimental, ya que
el porcentaje de aciertos en la identificación se buscó probar y validar el sistema de control
correcta de los rostros registrados. de acceso basado en reconocimiento facial en
3.2.2. Variables independientes Condiciones un entorno controlado. Este enfoque permitió
de iluminación: Nivel de luz en el entorno evaluar la funcionalidad del sistema en
donde opera el sistema (luz natural, artificial, términos de su desempeño en la captura de
baja iluminación). Resolución de las imágenes: imágenes, reconocimiento facial, y activación
Calidad de las imágenes capturadas por la del solenoid lock. El diseño se llevó a cabo
cámara, medida en p´ ıxeles. Cantidad de datos mediante la integración de hardware y
de entrenamiento: Número de imágenes por software, combinando componentes
rostro utilizadas para configurar el modelo de electrónicos como el ESP 32-CAM con
reconocimiento. Distancia del sujeto a la herramientas de programación para la
cámara: Proximidad del rostro a la cámara implementación de un sistema funcional.
ESP32- CAM durante el proceso de captura. 4.2. Método de investigación: El método
3.2.3. Control de variables: Para garantizar la empleado fue deductivo-experimental.
validez de las pruebas realizadas, se Partiendo de conceptos generales de
implementarán controles sobre las variables reconocimiento facial y control de acceso, se
independientes: Las pruebas se realizarán en desarrolló una solución específica que
un entorno con condiciones de iluminación combina herramientas de bajo costo y código
controlada (luz estable y sin sombras abierto. El desarrollo incluyó: Configuración
marcadas). La resolución de las imágenes será del hardware para capturar imágenes y
(por ejemplo, 800x600 pıxeles). ajustada a controlar el solenoid lock. Desarrollo de
configuraciones predefinidas Se establecerá scripts en Python y C + + para procesar las
una distancia promedio entre el sujeto y la imágenes y operar el sistema. Pruebas
cámara (1 metro) para garantizar la iterativas en condiciones controladas para
consistencia en las capturas. El modelo será optimizar el rendimiento. 4.3. Población y
entrenado con un conjunto de datos muestra: La población considerada para las
balanceado que incluya múltiples imágenes de pruebas del sistema consistió en rostros
cada rostro. registrados previamente en una base de datos
3.3. Evaluación de las hipótesis: Para validar limitada. La muestra incluyó un conjunto de
las hipótesis, se realizaron pruebas cinco usuarios, cuyas imágenes fueron
experimentales en las que se evaluó en: capturadas y procesadas durante la etapa de
Precisión: Se calculará el porcentaje de configuración. Este enfoque permitió evaluar
reconocimiento exitoso en diferentes el desempeño del sistema en términos de
condiciones de iluminación y resoluciones. precisión y tiempo de respuesta.
Eficiencia: Tiempo promedio desde la captura 4.4. El proyecto se desarrolló en un entorno
de la imagen hasta la activación del sistema de controlado, específicamente en el laboratorio
apertura del solenoide lock. de la Facultad de Ingeniería Electrónica y
Tolerancia: Nivel de precisión ante cambios en Eléctrica de la Universidad Nacional del
la distancia o ángulo del rostro con respecto a Callao. Este espacio proporcionó los recursos
la cámara. El análisis de estas variables necesarios para la integración y prueba del
permitirá determinar la efectividad y sistema, tales como acceso a equipos
Universidad Nacional del Callao
electrónicos, red Wi-Fi estable y computadoras 5. Código para la programación del
para procesar datos. ESP32-CAM
4.5. Técnicas e instrumentos para la
recolección de datos: La recolección de datos A continuación, se presenta el código para
se llevó a cabo mediante el registro de cargar al ESP32-CAM:
imágenes capturadas por el ESP32-CAM.
Estas imágenes se procesaron utilizando
herramientas como OpenCV para evaluar la
detección y reconocimiento de rostros.
Además, se utilizó un servidor local alojado en
el ESP32-CAM para recibir solicitudes HTTP
y controlar el sistema de apertura. Los
principales instrumentos fueron: ESP32-CAM:
Captura y transmisión de imágenes en tiempo
real. Python y OpenCV: Procesamiento de
imágenes y detección de rostros. Servidor
local: Implementado en el ESP32-CAM para
manejar solicitudes de activación del solenoid
lock. Solenoid lock: Dispositivo utilizado para
simular la apertura de una puerta tras un
reconocimiento facial exitoso.
4.6. Análisis y procesamiento de datos El
análisis de datos se centró en evaluar el
desempeño del sistema en términos de:
Precisión: Número de veces que el sistema
reconoció correctamente un rostro registrado.
Tiempo de respuesta: Tiempo transcurrido
entre la captura de la imagen y la activación
del solenoid lock. Limitaciones observadas:
Problemas en condiciones de iluminación
variable o a ángulos de captura no ideales. Se
utilizó un registro de logs generados por el
ESP32-CAM y scripts de Python para medir
estas variables.
4.7. Aspectos éticos en investigación: Este
proyecto respeta principios éticos
fundamentales, incluyendo: Consentimiento
informado: Los participantes cuyos rostros
fueron registrados dieron su autorización para
su inclusión en la base de datos.
Privacidad de los datos: Las imágenes
capturadas fueron utilizadas exclusivamente
para las pruebas del sistema y no se almacenan
fuera del entorno controlado. Seguridad: Se
tomaron medidas para garantizar que el 5.1. Explicación del Código: El código tiene
sistema no se utiliza en aplicaciones no varias secciones importantes que se describen
autorizadas o fuera del entorno experimental. a continuación:
Universidad Nacional del Callao
5.1.1. Librerías y Configuración WiFi: Las
siguientes líneas importan las librerías
necesarias para manejar la cámara, el WiFi y el
servidor web: Esto define las rutas del servidor:
● /[Link]: Captura en baja
resolución. /[Link]: Captura en
alta resolución.
● /led on: Enciende el LED.
● /led off: Apaga el LED.
Estas configuraciones permiten que el
ESP32-CAM: 5.2.3. Ejecución del Programa
● a la red WiFi utilizando las Finalmente, el bucle principal del programa
credenciales definidas. mantiene el servidor activo:
● Inicie un servidor web en el puerto 80.
5.2. Configuración de la Cámara: 6. Código para el Ingreso de un nuevo
El código que configura las resoluciones de la rostro
cámara es: El siguiente código permite capturar imágenes
de un rostro detectado desde la transmisión de
la ESP32-CAM y almacenarlas en una carpeta
Esto define dos resoluciones:
específica.
● Baja resolución (320x240): Para
capturar imágenes rápidas.
● Alta resolución (800x600): Para
obtener imágenes de mayor calidad.
Además, la función serveJpg() captura
y envía imágenes al cliente:
5.2.1. Control del LED
El pin 4 se utiliza para controlar un LED o un
solenoide. Las funciones correspondientes son:
Estas funciones activan o desactivan el pin 4
según se solicite.
5.2.2. Servidor Web El servidor se configura
en setup(): Listing 2: Código Python para Captura de Rostros
6.1. Explicación del Código
Universidad Nacional del Callao
Este código consta de varias partes ● Dibuja un rectángulo rojo alrededor
importantes, las cuales se describen a del rostro detectado.
continuación: ● Recorta la región del rostro y la
6.1.1. Configuración Inicial redimensiona a 150x150 píıxeles.
● Guarda la imagen procesada en la
carpeta correspondiente.
6.1.5. Finalización del Proceso
● PersonName: Nombre de la persona
para la cual se están capturando ● La transmisión en vivo se muestra
imágenes. continuamente.
● DataPath: Ruta base donde se ● El proceso se detiene al presionar la
almacenarán las imágenes. tecla q o al alcanzar 300 imágenes
● PersonPath: Ruta específica para la capturadas.
carpeta del rostro. Si no existe, se crea
automáticamente.
10. Resultados y Discusión
6.1.2. Cargar el Clasificador de Rostros 10.1. Resultados obtenidos: El sistema
desarrollado fue evaluado bajo condiciones
controladas para determinar su desempeño en
términos de captura de imágenes,
f cas: Carga el clasificador Haar para detectar reconocimiento facial y activación del
rostros. solenoid lock. Los resultados principales se
url: Dirección IP de la ESP32-CAM desde describen a continuación:
donde se solicita la imagen. 10.1.1. El ESP32-CAM fue configurado para
[Link]: Define una ventana para capturar imágenes en tiempo real utilizando
mostrar la transmisión en vivo. count: una red Wi-Fi local. Durante las pruebas, se
Contador de imágenes guardadas. observó que el dispositivo era capaz 24 de
capturar imágenes en alta resolución (800x600
6.1.3. Captura de Imágenes y Detección de pıxeles) y transmitirlas de manera eficiente a
Rostros. un servidor local. Sin embargo, la calidad de
las imágenes depende significativamente de
las condiciones de iluminación. En ambientes
con buena iluminación, la captura fue precisa y
sin distorsión; en condiciones de poca luz, la
● Se solicita la imagen desde la
detección se vio afectada.
ESP32-CAM.
10.1.2. Reconocimiento facial: El sistema
● Se convierte la imagen a escala de
mostró resultados satisfactorios en la detección
grises (gray).
y reconocimiento de rostros registrados. En un
● detectMultiScale: Detecta rostros en la
conjunto de pruebas con cinco participantes, el
imagen procesada.
sistema logró identificar correctamente los
6.1.4. Almacenamiento de los Rostros
rostros registrados en la gran parte de los
Detectados
casos. Se observaron fallos en situaciones
donde el rostro no estaba completamente
visible o cuando los participantes utilizaban
accesorios como gafas oscuras.
Universidad Nacional del Callao
10.1.3. Activación del solenoid lock: Una vez segura y personalizada. Sin embargo, frente a
reconocido un rostro autorizado, el sistema sistemas comerciales avanzados, la precisión y
activa exitosamente el solenoid lock, robustez del sistema desarrollado aún pueden
simulando la apertura de una puerta. Este mejorarse, especialmente en condiciones
proceso tuvo un tiempo promedio de respuesta adversas.
de 1.2 segundos desde la captura de la imagen 10.3.2. Limitaciones del sistema: Las
hasta la activación del dispositivo. La principales limitaciones observadas incluyen:
confiabilidad en esta etapa fue del 100 %, Dependencia de la iluminación para una
evidenciando la robustez de la integración detección precisa. Dificultades al reconocer
entre el hardware y el software. rostros con accesorios que alteran las
10.2. Factores a tomar en cuenta: Durante características faciales. Escalabilidad limitada
las pruebas, se identificaron varios factores debido al tamaño reducido de la base de datos
que influyen en el desempeño del sistema: utilizada en las pruebas.
Condiciones de iluminación: El sistema 10.4. Propuestas de mejora: Para superar las
funcionó mejor en ambientes con buena limitaciones identificadas, se proponen las
iluminación. En condiciones de baja luz, la siguientes mejoras: Incorporar iluminación
calidad de las imágenes capturadas disminuyó, adicional para garantizar capturas de alta
afectando la detección de rostros. Ángulo de calidad en cualquier entorno. Explorar
captura: Los rostros en posiciones frontales algoritmos de detección y reconocimiento más
fueron reconocidos con mayor precisión. robustos que manejen mejor variaciones en los
Ángulos laterales o rostros parcialmente rostros. Ampliar la base de datos de rostros y
cubiertos generaron errores de detección. Red realizar pruebas con una mayor cantidad de
Wi-Fi: La estabilidad de la red influye usuarios para evaluar la escalabilidad.
directamente en el tiempo de transmisión de
las imágenes. Durante las pruebas, una red 11. Conclusiones y Recomendaciones:
estable permite un rendimiento óptimo. 11.1. Conclusiones: El desarrollo de este
10.3. Discusión: Los resultados obtenidos sistema de control de acceso mediante
demuestran que el sistema tiene un desempeño reconocimiento facial y activación de un
satisfactorio en un entorno controlado, pero solenoid lock ha demostrado ser una solución
presentan desafíos para su implementación en funcional y económica en entornos
escenarios reales. La dependencia de la calidad controlados. A partir de los resultados
de iluminación y el ángulo de captura sugiere obtenidos, se concluye lo siguiente:
que se podrían incluir mejoras, como el uso de 1. El uso del ESP32-CAM como dispositivo
cámaras con mejor sensibilidad a la luz o principal permite capturar y transmitir
algoritmos que manejan ángulos variables con imágenes de manera eficiente, mostrando un
mayor precisión. Además, la integración entre desempeño adecuado para proyectos de bajo
el ESP32-CAM y el solenoid lock fue robusta, costo. Su capacidad para operar como servidor
mostrando tiempos de respuesta adecuados web local simplificará la integración entre el
para aplicaciones de control de acceso. Sin hardware y el software.
embargo, en un entorno real, sería necesario 2. El sistema cumplió con el objetivo de
realizar pruebas con una mayor cantidad de controlar el acceso de manera automática,
participantes para evaluar la escalabilidad del activando el solenoid lock solo para usuarios
sistema. autorizados. Esto demuestra la viabilidad de
10.3.1. Comparación con sistemas similares: implementar soluciones de seguridad basadas
Comparado con sistemas de control de acceso en reconocimiento facial en entornos pequeños
tradicionales, este proyecto presenta ventajas como hogares u oficinas.
significativas, como la eliminación de llaves 3. Las pruebas realizadas evidenciaron una alta
físicas y tarjetas, ofreciendo una solución más precisión en la detección y reconocimiento de
Universidad Nacional del Callao
rostros registrados, aunque factores como la almacenamiento para garantizar la privacidad
iluminación y el ángulo de captura impactaron de los usuarios.
significativamente en la efectividad del
sistema. Referencias:
4. La implementación de herramientas de
código abierto como Python y OpenCV [1] Infobae, “El reconocimiento facial esta
facilitó el desarrollo del sistema, destacando la revolucionando los aeropuertos de Estados
accesibilidad de estas tecnologías para Unidos.” [Link]
proyectos educativos y de investigación. [Consultado el 30/11/2024]. [2] La Opinión,
5. Aunque el sistema fue funcional, su “Estados Unidos implementa reconocimiento
aplicabilidad en escenarios reales está limitada facial en todos los ae- ropuertos del país.”
por la necesidad de mejorar su desempeño en [Link] [Consultado el
condiciones adversas, como baja iluminación o 30/11/2024]. 27 [3] Telemundo, “TSA prueba
rostros parcialmente cubiertos. En general, el tecnolog´ıa de reconocimiento facial en los
proyecto logró cumplir con los objetivos aero- puertos de Estados Unidos.”
planteados, demostrando que es posible [Link] [Consultado el
desarrollar un sistema accesible y eficiente 30/11/2024]. [4] South China Morning Post,
utilizando hardware y software de bajo costo. “Facial recognition systems in China.”
11.2. Recomendaciones: Con base en las [Link] [Link] [Consultado el
limitaciones identificadas y los resultados 30/11/2024]. [5] Universidad Nacional de
obtenidos, se proponen las siguientes Singapur, “Facial recognition with Raspberry
recomendaciones para mejorar y ampliar el Pi projects.” [Link] [Consultado el
sistema: 30/11/2024]. [6] RENIEC Perú, “Uso de
1. Mejorar las condiciones de captura: biometría para identificación civil.”
Incorporar iluminación adicional o sensores de [Link] [Link] [Consultado el
mayor sensibilidad para garantizar una calidad 30/11/2024]. [7] Universidad Nacional de
de imagen consistente en entornos con poca Ingenier´ıa (UNI), “Proyecto de
luz. reconocimiento facial basado en Arduino.”
2. Ampliar la base de datos de rostros: [Link] [Consultado el
Realizar pruebas con un mayor número de 30/11/2024]. [8] Pontificia Universidad Cato
usuarios y diversificar los datos registrados ´lica del Peru ´ (PUCP), “Reconocimiento
para evaluar el desempeño en diferentes facial aplica- do al ana ´lisis de flujos de
contextos y aumentar la escalabilidad del personas.” [Link]
sistema. [Consultado el 30/11/2024]. [9] El Comercio,
3. Optimizar el software: Explorar algoritmos “Pilotos de reconocimiento facial en transporte
de detección y reconocimiento facial más pu ´blico en Lima.” [Link]
avanzados que sean robustos frente a [Consultado el 30/11/2024].
variaciones en el ángulo, iluminación y
expresión facial.
4. Realizar pruebas en entornos reales:
Implementar el sistema en escenarios
operativos, como accesos residenciales o
pequeños negocios, para evaluar su desempeño
en condiciones del mundo real.
5. Incluir mecanismos de seguridad
adicionales: Incorporar medidas como el
cifrado de datos durante la transmision y