Diferencia entre detección facial y reconocimiento facial en CCTV

La tecnología entre detección facial y reconocimiento facial es muy distinta, pero estos dos términos generan mucha confusión. La detección facial solo captura imágenes de una persona que pasa por una zona bien posicionada y la cámara, almacenando esos rostros en una base de datos consultable.

El reconocimiento facial funciona tomando las imágenes almacenadas y comparándolas contra rostros conocidos en una base de datos. Es un proceso de dos pasos. Un sistema autónomo no tiene la potencia de procesamiento para manejar ambas simultáneamente.

Hoy en día la detección facial se está volviendo común en algunos sistemas DVR/NVR con cámaras. A medida que mejoran la resolución y densidad de píxeles de las cámaras, muchos dispositivos incluirán detección facial y otras funciones IVS.

Los DVR y NVRs autónomos no tendrán reconocimiento facial integrado en el sistema central, ya que esta tecnología está aún a muchas generaciones de distancia.

Sin embargo, la detección facial puede ser útil en ciertas situaciones. Una cámara bien posicionada y angulada frente a una entrada puede capturar rostros y almacenarlos localmente en una base de datos consultable.

Esta función es muy práctica si tu sistema de seguridad envía alertas al móvil: cuando alguien entra, el grabador envía una captura de su rostro a tu teléfono.

Algunos algoritmos de reconocimiento facial identifican rasgos extrayendo puntos de referencia (landmarks) de una imagen del rostro. Por ejemplo, analizan la posición relativa, tamaño y/o forma de ojos, nariz, pómulos y mandíbula.

Estos rasgos se usan para buscar otras imágenes con características coincidentes. Otros algoritmos normalizan una galería de imágenes faciales y comprimen los datos faciales, guardando solo lo útil para el reconocimiento. Una imagen de prueba se compara con los datos faciales. Los algoritmos de reconocimiento se dividen en dos enfoques principales: geométrico (rasgos distintivos) y fotométrico (enfoque estadístico que destila la imagen en valores y los compara con plantillas para eliminar variaciones).

Algoritmos populares incluyen análisis de componentes principales con eigenfaces, análisis discriminante lineal, coincidencia de grafos elásticos con algoritmo Fisherface, modelo oculto de Markov, aprendizaje de subespacio multilinear con representación tensorial, y coincidencia de enlaces dinámicos motivados neuronalmente.

Una tendencia emergente, que afirma lograr mayor precisión, es el reconocimiento facial tridimensional. Usa sensores 3D para capturar información sobre la forma del rostro.

Esta información identifica rasgos distintivos en la superficie facial: contorno de las cuencas oculares, nariz y mentón.

Una ventaja del reconocimiento facial 3D es que no se ve afectado por cambios de iluminación como otras técnicas. También puede identificar un rostro desde diversos ángulos, incluida la vista de perfil.