Desarrollo de un nuevo algoritmo de detección facial y su aplicación a un atril automatizado

Abstract

Las ponencias frente a un auditorio deben tener una calidad de sonido y de contenido durantesu ejecución y muchas veces se ve que esta calidad es deficiente debido a problemas como una mala colocación del micrófono o las constantes interrupciones al orador para recibir mensajes de los coordinadores durante su ponencia además que la ergonomía de los atriles donde los oradores exponen no es cubierta debido a las distintas características físicas de las personas, por lo anterior dicho, en un proyecto se realizó un atril automatizado que aparte del hardware para elevar y bajar la paleta donde se colocan los documentos del ponente, se requiere el cálculo de altura para realizar dicho movimiento usando un algoritmo de detección facial. Con las variables necesarias para calcular la altura de la persona que está frente al atril con el fin de colocar los componentes como la paleta del atril y el micrófono a una altura ergonómica para el orador. Un algoritmo de detección facial (Viola-Jones) ejecutado en una Raspberry Pi 3 B+ suele tener un elevado uso de CPU (por arriba del 70%), por lo tanto se busca desarrollar un nuevo algoritmo de detección facial (Fonseca-Salas) que pueda operar con un bajo uso de CPU. Dicho algoritmo reduce la cantidad de información a analizar mediante el uso de trazas y la detección de cambios de intensidad para detectar la región facial de interés. Los resultados obtenidos con el algoritmo Fonseca-Salas se ven reducidos en una tercera parte comparado con el algoritmo Viola-Jones, ambos implementados en Python. Los valores de uso de porcentaje de CPU obtenidos por el algoritmo Fonseca-Salas están alrededor de 26%. Por el otro lado, el algoritmo Viola-Jones con Adaboost obtiene unos valores de 70% a 80% de uso de CPU, es importante mencionar que la detección facial para este algoritmo no siempre ocurre ya que se debe mirar de frente a la cámara, si la cara es levantada o agachada levemente no ocurre la detección facial. Por otro lado, una vez que la detección facial ocurre con el algoritmo Fonseca-Salas se realiza el cálculo de la altura, obteniendo unos errores porcentuales entre 0.32 y 1.96. Con los valores de porcentaje de uso de CPU y errores porcentuales mencionados se ha logrado crear un algoritmo de detección facial capaz de realizar el cálculo de la altura a bajo coste computacional.