UNIVERSIDAD NACIONAL DE

INGENIERA
FACULTAD DE INGENIERA INDUSTRIAL Y DE
SISTEMAS

TRABAJO INTEGRAL
INVESTIGA 3 - GRUPO 1

CURSO: APLICACIONES DE NEGOCIOS ELECTRNICOS

(ST 285 V)

INTEGRANTES:

- CAICEDO RELUZ JHAN CARLOS 20124094A

- ESPINO CUADROS CRISTHIAN PAUL 20127024D

- GARAVITO ALEJOS JOSE LUIS 20102606J

- HEREDIA CARRASCO ORLANDO MARIO 20122063A

- RAMOS JIMNEZ MILAGROS YANET 20110415E

DOCENTE: Ing. RAMOS MORENO JAIME IGNACIO

 LIMA, 10 DE JUNIO DEL 2017

Contenido

INVESTIGA 3................................................................................................... 3
CAPITULO I:.................................................................................................... 3
1. DESCRIPCIN........................................................................................... 3
a. Caractersticas......................................................................................... 3
2. ESTADO DEL ARTE.................................................................................... 4
a. Tecnologa antigua................................................................................... 4
b. Tecnologa en proceso.............................................................................. 4
c. Tecnologa Actual..................................................................................... 5
Tecnologa de 2D a 3D.................................................................................. 5
3. ENFOQUES METODOLOGICOS VIGENTES.................................................6
a. Metodologas basadas en apariencia.......................................................7
b. Metodologas basadas en modelos..........................................................9
CAPITULO II:................................................................................................. 11
PROYECCIONES...................................................................................... 11
a. ANALISIS INTERNO DE NEGOCIO 1:........................................................11
i. NOMBRE: Virtual Confort........................................................................11
App de realidad aumentada que permite visualizar el catlogo de muebles
en el mundo fsico, ubicndolos en diferentes lugares de la casa para una
mejor decisin de compra sin salir del hogar. Adems permite hacer pedidos
de stos productos para que se lo lleven a su casa.....................................11
Capitulo III:................................................................................................... 11
1. APLICACIONES.................................................................................... 11
 INVESTIGA 3

CAPITULO I:

1. DESCRIPCIN
Los sistemas de reconocimiento facial permiten identificar a una persona
analizando las caractersticas biomtricas de su rostro. Aunque hace
algunos aos se usaban modelos geomtricos simples para el anlisis del
rostro, la extraccin de la informacin relativa a las caractersticas
biomtricas del rostro est actualmente ligada a sofisticados procesos
matemticos y algoritmos de coincidencia. Lo que ha propulsado el avance
la tecnologa de reconocimiento facial en diversos mercados.

a. Caractersticas
Una de las caractersticas principales de este tipo de sistemas es que es un
mtodo no intrusivo y que no requiere apenas colaboracin por parte del
usuario.

Existen principalmente dos tipos de sistemas de reconocimiento facial:

 Aquellos basados en los rasgos faciales del individuo: ojos, nariz,
boca, etc. Utilizan adems mediciones de distancias entre los
distintos rasgos y mediciones de los ngulos de la cara. Son los
llamados sistemas geomtricos
Los sistemas fotomtricos, que aportan informacin de forma global,
del rosto completo.
Existen tambin sistemas mixtos, que engloban las caractersticas de los
dos anteriores.

2. ESTADO DEL ARTE

a. Tecnologa antigua

La tecnologa de reconocimiento facial no es precisamente un fenmeno

nuevo, ni tampoco lo es labiometra, a pesar de todos los titulares recientes.
Los primeros experimentos con esta tecnologa se remontan a la dcada
de 1960, aunque, en aquel entonces, la investigacin para comenzar con su
desarrollo se mantuvo en secreto.
Si bien hoy en da la ciencia detrs del software es mucho ms matemtica,
automtica y cuenta con el respaldo de los potentes equipos sofisticados
actuales, los primeros modelos requeran un mayor nivel de intervencin
humana y, por lo tanto, eran automatizados solo en forma parcial.
Adems, su desarrollo era mayormente de nicho. Nadie en aquel entonces
podra haberse imaginado que, medio siglo despus, el software de
reconocimiento facial tendra tanta difusin, ya sea desde el punto de vista de
la seguridad (lo utilizan la polica, los profesionales de seguridad y el gobierno),
o como un beneficio para el consumidor (para reconocer a la gente en una
cmara o como medio para proteger un dispositivo con contrasea).
 b. Tecnologa en proceso
El software de reconocimiento facial apenas est comenzando y le falta mucho
para lograr explorarse por completo.
Por ejemplo, Microsoft est utilizando la tecnologa de reconocimiento facial
para la autenticacin en Windows 10; Apple aparentemente est buscando la
manera en que los usuarios de iOS puedan compartir automticamente las
fotos con amigos etiquetados, mientras que tanto Facebook como
Google han estado usando el reconocimiento facial para etiquetar amigos y
encontrar fotos de uno mismo.
Por otra parte, unos profesores chinos afirman haber creado el primer cajero
automtico de reconocimiento facial del mundo.
A su vez, unos investigadores en Alemania estuvieron desarrollando una nueva
tecnologa de reconocimiento facial que puede funcionar en la oscuridad, lo que
probablemente sea una seal del futuro de esta tecnologa.

c. Tecnologa Actual
En los ltimos aos, el reconocimiento facial se ha empleado ms que nada en
aeropuertos y en otras reas pblicas. Su uso en estos casos es relativamente
sencillo: una cmara de video recopila las imgenes, que luego se transmiten a
un sistema de vigilancia monitoreado por un trabajador manual.
El trabajador saca una imagen de un individuo determinado de la transmisin e
intenta compararla con las personas presentes en la base de datos existente.
Mediante el uso de un algoritmo informtico, el sistema trata de identificar a
alguien; para ello mide ciertos rasgos de su rostro, como la distancia entre sus
ojos o el ancho de la nariz.
Dicho todo esto, an hoy en da, el proceso dista mucho de ser simple y
directo. Existen muchas cmaras que an siguen grabando imgenes con
una resolucin muy baja, lo que hace que la identificacin sea casi imposible.
Adems, los propios sistemas de vigilancia por video tienen poca tolerancia a
los cambios de luz, las expresiones faciales o las imgenes capturadas en
ngulos diferentes.
Tecnologa de 2D a 3D

Sin embargo, algunos avances son positivos. Por ejemplo, el cambio del
procesamiento de imgenes de 2D a 3D ayud a mejorar la identificacin.
Las imgenes ahora son capaces de recopilar una gran cantidad de
informacin adicional basada en submililitros (o microondas) para muchos
aspectos faciales, desde la estructura sea hasta las curvas alrededor de la
cuenca del ojo, la nariz y la pera. Esto ayuda a reconstruir la estructura del
rostro y, en ltima instancia, mejora la identificacin y la hace ms precisa.
Por otro lado, el hecho de que el modelado en 3D tenga menos
limitaciones en cuanto a la iluminacin y los ngulos tambin es fundamental.
Las imgenes se pueden convertir fcilmente de 3D a 2D cuando es necesario,
sin perder ningn dato o identificador clave.
En caso de que el reconocimiento facial no funcione, varios fabricantes ya
estn trabajando en la biometra de la piel para proporcionar ms datos que
faciliten la identificacin. Este mtodo analiza una imagen tomada de un sector
de piel y la divide en fragmentos ms pequeos para poder medirla. El sistema
luego puede distinguir las lneas, los poros y la textura real de la piel.
El software aparentemente es capaz de identificar las diferencias entre
gemelos idnticos, lo que an no es posible mediante el uso de tecnologa de
reconocimiento facial por s sola, aunque tambin presenta otros problemas
como el uso de anteojos y lentes de sol, el cabello sobre la cara, la iluminacin
y la resolucin de la imagen.
3. ENFOQUES METODOLOGICOS VIGENTES
 Metodologas
de
reconocimien
to facial

Basadas en Basadas en
Apariencias Modelos

Lineales No lineales 2D 3D

3D
PDA KPCA EBGM Morphable
model

LDA ISOMAP AAM

LCA LLE

Figura: Taxonoma de las metodologas de reconocimiento facial

a. Metodologas basadas en apariencia

Las metodologas basadas en apariencia transforman el problema de
reconocimiento facial en un problema de anlisis de espacio donde se pueden
aplicar diferentes tcnicas estadsticas. De este tipo de tcnicas destaca su
aplicabilidad en imgenes de baja resolucin o mala calidad, su rapidez de
ejecucin (se pueden implantar en sistemas en tiempo real) o su baja
complejidad. Sin embargo tambin tienen varios inconvenientes. Uno de los
inconvenientes es que para conseguir buenos resultados se requiere un
conjunto de muestras considerable para la fase de entrenamiento. Tambin
aspectos como los cambios en la iluminacin, la pose o la expresin de la cara
tienen un gran impacto en los resultados finales. Dependiendo del mtodo
empleado, estos inconvenientes tendrn un impacto mayor o menor.
Dentro de las tcnicas basadas en apariencia se encuentran las tcnicas
lineales (con algoritmos como el PCA, el LDA o el ICA) y las no lineales (con el
KPCA, el ISOMAP o LLE).
PCA (Principal Component Analysis)
PCA es un mtodo que transforma un nmero de variables posiblemente
correladas en un pequeo nmero de variables incorreladas llamadas
componentes principales, es decir, es un algoritmo de reduccin dimensional
que permite encontrar los vectores que mejor representan la distribucin de un
grupo de imgenes.
El objetivo de este mtodo consiste en representar una imagen en trminos de
un sistema de coordenadas ptimo reduciendo el nmero final de componentes
que tendr la imagen. Un ejemplo de PCA lo podemos ver en la siguiente
figura.
Figura: Componentes principales de un conjunto de puntos bidimensional. La
primera componente ofrece una reduccin lineal ptima de dimensin de 2D a
1D en cuanto a error cuadrtico medio se refiere.
LDA (Linear Discriminant Analysis)
LDA tiene como objetivo convertir un problema de alta dimensionalidad en uno
de baja. Para ello LDA proyecta los datos (imgenes) en un espacio vectorial
de baja dimensionalidad de manera que la ratio entre la distancia entre clases y
la distancia dentro de la clase se maximiza. De este modo se garantiza una
mxima discriminacin entre las clases.
A diferencia de PCA, que es un mtodo de reduccin dimensional sin
supervisin, LDA si que es supervisado y utiliza informacin de los datos. Una
de las limitaciones que tiene LDA, es que se requiere de matrices de dispersin
no-singulares.
LCA (ANALISIS DE COMPONENTES INDEPENDIENTES)
Este mtodo intenta representar el espacio de caras en un subespacio que
minimice la dependencia de segundo y de mayor orden entre sus
componentes. Se asume que las seales de entrada son combinaciones de
fuentes no observables estadsticamente independientes. Si la combinacin es
61 lineal, se puede definir una matriz de combinacin cuyos coeficientes son
los que definen la combinacin lineal. Entonces ICA estima la matriz inversa de
la matriz de combinacin. Vale acotar que para aplicar ICA se utiliza
previamente PCA para reducir la dimensionalidad del espacio original de caras
para disminuir el costo computacional.
LPP (Locality Preserving Projections)
LPP es un algoritmo lineal que del mismo modo que PCA realiza una reduccin
dimensional de los datos. Al tratarse de un algoritmo lineal es rpido y til para
aplicaciones prcticas.
Una de las propiedades que lo diferencian de PCA es que en lugar de
conservar la estructura global de los datos, conserva la estructura local. De
este modo los vecinos para un dato en concreto sern los mismos en el
espacio original, de alta dimensionalidad, y en el nuevo subespacio de baja
dimensionalidad. Al conservarse la estructura local de los datos, las imgenes
pertenecientes a un mismo individuo estarn cercanas entre si y alejadas de
las de otros individuos, es decir, hay una discriminacin entre clases.
DCT (Discrete Cosine Transform)
La DCT es una transformacin que representa una secuencia finita de datos
como la suma de una serie de funciones cosenoidales oscilando a diferentes
frecuencias. Esta tcnica es muy utilizada en aplicaciones de procesado de
seal, desde compresin de audio e imgenes hasta mtodos espectrales para
la solucin numrica de ecuaciones diferenciales. Una de estas aplicaciones es
el reconocimiento facial.
DCT por Bloques
Este mtodo realiza una mezcla de las tcnicas basadas en la apariencia y las
basadas en modelos, en concreto, hace uso de la misma metodologa que el
mtodo DCT pero aplicado de forma distinta. Lo que se hace es aplicar DCT-II
sobre bloques de 8x8 pxeles de la imagen [19]. Una vez calculada la DCT
sobre cada uno de estos bloques de 8x8 pxeles, se selecciona un determinado
nmero de coeficientes por bloque con el fin de crear la nueva representacin
de la imagen

Figura: Esquema de funcionamiento del sistema DCT por bloques

LPP
Este mtodo realiza una reduccin dimensional y requiere, como PCA, de un
entrenamiento previo del sistema con otras imgenes de caras para crear una
matriz de proyeccin.
EP (EVOLUTIONARY PURSUIT)
Esta tcnica usa los mismos principios que la PCA a diferencia que esta usa
algoritmos genticos para proveer la proyeccin de las caras en un espacio no
ortonormal resaltando sus diferencias. [20] La dimensin del problema se ve
reducido gracias al PCA, el subespacio resultante es rotado para maximizar las
diferencias entre las proyecciones de cada imagen. Esta tcnica puede tener
ms ventajas que la PCA siempre y cuando el entrenamiento de las imgenes
se haga de forma balanceada.
 b. Metodologas basadas en modelos

Las tcnicas basadas en modelos, tratan de obtener caractersticas biomtricas

de las imgenes para realizar el reconocimiento. Se tienen en cuenta aspectos
como la distancia entre los ojos, el grosor de la nariz, el tamao de la boca, etc.
Estos sistemas requieren un conocimiento previo de las imgenes, adems de
ser ms lentos y complejos que los sistemas basados en apariencia. Sin
embargo, son ms robustos frente a cambio de orientacin o expresin de la
cara y se ven menos afectados por cambios en la iluminacin o las sombras.
Dentro de las tcnicas basadas en modelos, nos encontramos con dos
divisiones: las tcnicas 2D y las 3D. Las tcnicas 2D ofrecen una descripcin
precisa de las diferentes partes que componen la cara (ojos, nariz, boca...) y
diferentes propiedades como la distancia que hay entre las partes. Las tcnicas
que utilizan imgenes en 3D, en cambio, ofrecen informacin relativa a la
forma, la profundidad y la textura de la cara. As, las tcnicas 3D mejoran los
resultados de las tcnicas 2D adems de poder reconocer caras desde
distintos ngulos o perspectivas. Sin embargo, el tiempo de cmputo es
superior y en muchas ocasiones se requiere de instrumental de captacin
especializado.
En la siguiente figura podemos ver representada la extraccin de
caractersticas de un rostro tras la aplicacin de una tcnica basada en
modelos 2D y 3D respectivamente.

2D:
EBGM (ELASTIC BUNCH GRAPH MATCHING)
Los algoritmos basados en el entrenamiento con su exactitud dependen
exclusivamente del escenario de entrenamiento. El algoritmo de EBGM es
seleccionado gracias a la robustez de la informacin en la rotacin del plano y
por la habilidad de clasificar caras demarcando zonas importantes del rostro.
[21] Dentro de estas zonas distintivas se toman ms de 80 caractersticas que
permiten localizar las semejanzas notables y las diferencias de las imgenes
de entrenamiento. Estas zonas estn compuestas por las seis regiones ms
predominantes de rostro humano las cuales se agrupan en: Dos secciones
para los ojos. Dos secciones para las cejas. Una seccin para las fosas
nasales. Una seccin para la regin que rodea la boca.
AAM: Modelo de Apariencia Activa
Es un modelo estadstico integrado que combina un modelo de la variacin de
la forma con un modelo de variaciones de la apariencia en un fotograma
normalizado en escala de grises. Corresponder a una imagen supone encontrar
los parmetros del modelo que minimizan la diferencia entre dicha imagen y la
sntesis del modelo, proyectado en la imagen. La dificultad reside en que el
nmero de parmetros puede ser potencialmente grande. Para construir el
AAM hace falta un conjunto de entrenamiento con imgenes etiquetadas con
los puntos significativos marcados en cada ejemplo en posiciones clave para
los rasgos caractersticos. Todos los vectores de caras se normalizan en un
sistema de coordenadas comn. Se aplica PCA para construir el modelo de la
forma. En la fase de reconocimiento se hace el proceso inverso.
3D:
El reconocimiento de caras humanas basado en correspondencias con
superficies 3d puede resolver muchas de las limitaciones actuales del
reconocimiento 2d. La forma 3d es invariante a los cambios de posicin e
intensidad de luz aunque no ante los cambios de expresin facial. Por otra
parte, recoger y almacenar plantillas de cada sujeto en una base de datos
(asociadas a varias expresiones), no es trivial

CAPITULO II:

PROYECCIONES

A continuacin se analizaran 3 negocios electrnicos orientados a la

comercializacin de mueblera y artculos para el Hogar.

a. ANALISIS INTERNO DE NEGOCIO 1:

i. NOMBRE: Virtual Confort

App de realidad aumentada que permite visualizar el catlogo de muebles en el
mundo fsico, ubicndolos en diferentes lugares de la casa para una mejor
decisin de compra sin salir del hogar. Adems permite hacer pedidos de stos
productos para que se lo lleven a su casa.
Capitulo III:

1. APLICACIONES
Le empresa busca satisfacer la necesidad de adquisicin de mueblera y
artculos para el hogar de una manera fcil y dinmica, donde podr visualizar
los catlogos de diferentes empresas dedicadas a la venta de muebles y
decidir de manera pausada y calmada el mueble que mejor cubra sus
necesidades dndose una idea real de cmo se vera dicho mueble en el
ambiente elegido.