Inteligencia artificial aplicada al prototipado de sistemas de identificación de personas con antecedentes legales

Adrián Felipe Graciano López, Nicolás Ramírez Ortega, David Alberto García Arango

Resumen


En diversos lugares se cuenta con cámaras de reconocimiento facial, su principal función está orientada hacia la identificación del pasado judicial de todas las personas que transitan por la ciudad, el objetivo principal es detectar aquellas personas con algún antecedente judicial en curso, y de esta manera aportar a la seguridad de la ciudad. Las cámaras capturan una imagen que será enviada y contrastada con una base de datos de todas las personas que tengan orden de captura, por búsqueda o prisión domiciliaria que se encuentren fuera de su cobertura permitida por la ley, entre otros. Al detectar que la persona tiene alguna de las condiciones anteriormente mencionadas, se enviará una alerta de tal forma que se haga el seguimiento respectivo por parte del ente encargado. En ese sentido, la solución propuesta constará de los siguientes procesos: captura de imagen, búsqueda de imagen mediante contrastación, emisión de alerta en tiempo y lugar en caso de señal positiva y trazabilidad del recorrido de la persona identificada hasta dar con su captura y posteriormente se verifica sus antecedentes en el lugar por el ente encargado.

Haciendo uso de la metodología en cascada, se planteó el desarrollo en 3 fases: donde éstas tenían una estipulación de 8 meses. Fase 1: planteamiento del problema, establecimiento de objetivos, qué problema resuelve el proyecto. Fase 2: levantamiento de requisitos de acuerdo con la problemática y posible solución; estudio de los recursos y herramientas para el desarrollo. Fase 3: se hace uso de las herramientas y recursos para el desarrollo del código (Python, Pycharm, ordenador y cámara) se realizan los prototipos de prueba y error; se hace el desarrollo del programa final con las respectivas correcciones.


Texto completo:

PDF

Referencias


Aguirre, E., García, D. y Henao, C. (2017). Diseño y simulación de un amplificador “Instrumental Operacional” como apoyo en la lectura y transmisión de señales mioeléctricas por un solo canal con bajo ruido. Revista CINTEX, 22(1), 11-23. https://doi.org/10.33131/24222208.284

Aguirre, E., Taborda, H., García, D. y Sidek, S. (2018). Proceso de extracción y almacenaje de características a partir de imágenes de huellas de mordida en el desarrollo de un software para la identificación de personas mediante procesamiento digital de imágenes. Revista Espacios, 39(11). https://www.revistaespacios.com/a18v39n11/a18v39n11p02.pdf

BeeDIGITAL. (2022). Historia y evolución del reconocimiento facial. BeeDIGITAL. https://www.beedigital.es/tendencias-digitales/historia-y-evolucion-del-reconocimiento-facial/

Bradford, B., Yesberg, J. A., Jackson, J. y Dawson, P. A. (2020). Live Facial Recognition: Trust and Legitimacy as Predictors of Public Support for Police Use of New Technology. The British Journal of Criminology, 60(6), 1502-1522. https://doi.org/10.1093/bjc/azaa032

Bonilla, L. (2009). Demografía, juventud y homicidios en Colombia, 1979-2006. Lecturas de Economía, (72), 103-140. http://www.scielo.org.co/pdf/le/n72/n72a05.pdf

Castillo, B. (14 de octubre de 2020). 6 Tipos de métodos de investigación. Guía Universitaria México. https://guiauniversitaria.mx/6-tipos-de-metodos-de-investigacion/

Cervantes, J. y Gómez, M. (2012). Taxonomía de los modelos y metodologías de desarrollo de software más utilizados. Universidades, (52), 37-47. https://www.redalyc.org/pdf/373/37326902005.pdf

Chang, B., Tsai, H. y Young, C. (2010). Intelligent data fusion system for predicting vehicle collision warning using vision/GPS sensing. Expert Systems with Applications, 37(3), 2439-2450. https://doi.org/10.1016/j.eswa.2009.07.036

Chaverra, D. (28 de junio de 2022). Pereira instala 200 nuevas cámaras de reconocimiento facial. Ventas de Seguridad. https://www.ventasdeseguridad.com/2022062822218/noticias/empresas/pereira-instala-200-nuevas-camaras-de-reconocimiento-facial.html

Datos.gob.es. (31 de agosto de 2020). ¿Cómo aprenden las máquinas? Machine Learning y sus diferentes tipos. datos.gob.es. https://datos.gob.es/es/blog/como-aprenden-las-maquinas-machine-learning-y-sus-diferentes-tipos

Empresa para la Seguridad y Soluciones Urbanas - ESU. (9 de agosto de 2021). 2856 Cámaras de vigilancia en Medellín. https://www.esu.com.co/noticias-camaras-de-vigilancia-en-medellin/

Fundación Karisma. (1 de julio de 2021). El sistema de reconocimiento facial de la Registraduría Nacional. https://digitalid.karisma.org.co/2021/07/01/sistema-reconocimiento-facial-registraduria/#:~:text=Desde%202018%2C%20sin%20hacerlo%20p%C3%BAblico,99%20mil%20millones%20de%20pesos.

García, D., Ortega, J., Pinto, A., Gutiérrez, M. y Rendón, L. (2020). Redes neuronales para identificar factores asociados al diseño de una propuesta de formación en línea de artesanos en marketing digital. RISTI - Revista Ibérica de Sistemas e Tecnologias de Informaçâo, (E35), 62-73. https://www.proquest.com/openview/713a5a5c23c2291157f813b30f1ba124/1?pq-origsite=gscholar&cbl=1006393

Garzón, J. (2022). Propuesta de prevención y mitigación de los conflictos derivados por las acciones de la primera línea en el portal de Transmilenio de las Américas Bogotá [Trabajo de grado de especialización, Universidad Militar Nueva Granada]. Repositorio institucional Universidad Militar Nueva Granada. https://repository.unimilitar.edu.co/handle/10654/43723

Gu, J., Xie, R., Zhao, Y., Zhao, Z., Xu, D., Ding M, Lin, T., Xu, W., Nie, Z., Miao, E., Tan, D., Zhu, S., Shen, D. y Fei, J. (2022). A machine learning-based approach to predicting the malignant and metastasis of thyroid cancer. Frontiers Oncology, 12. https://doi.org/10.3389/fonc.2022.938292

Henao, F., García, D., Aguirre, E., González, A., Bracho, R., Solorzano, J. y Arboleda, A. (2017). Multidisciplinariedad, interdisciplinariedad y transdisciplinariedad en la formación para la investigación en ingeniería. Revista Lasallista de investigación, 14(1), 179-197. https://www.redalyc.org/articulo.oa?id=69551301017

Lifeder. (21 de diciembre de 2022). Método científico. Lifeder. https://www.lifeder.com/pasos-metodo-cientifico/

Martins, P., Silva, J. y Bernardino, A. (2022). Multispectral Facial Recognition in the Wild. Sensors, 22(11). https://doi.org/10.3390/s22114219

Medellín. (6 de julio de 2022). Alcaldía de Medellín entregó balance de seguridad semestral; así les fue. El Tiempo. https://www.eltiempo.com/colombia/medellin/medellin-balance-de-seguridad-de-la-alcaldia-en-el-2022-685064

Mena, M. (4 de noviembre de 2021). El mapa del reconocimiento facial en Europa. Statista Infografías. https://es.statista.com/grafico/22270/paises-europeos-que-utilizan-sistemas-de-reconocimiento-facial/#:~:text=A%C3%BAn%20y%20as%C3%AD%2C%20en%20la,vigilancia%2C%20seg%C3%BAn%20datos%20de%20Surfshark.

Peña, C. (2 de junio de 2023). Nuevas medidas en El Dorado: instalan biometría facial para turistas extranjeros. El Tiempo. https://www.eltiempo.com/vida/viajar/nuevas-medidas-en-aeropuerto-el-dorado-instalan-biometria-para-turistas-extranjeros-774209

Siriborvornratanakul, T. (2022). Human behavior in image-based Road Health Inspection Systems despite the emerging AutoML. Journal of Big Data, 9(96). https://doi.org/10.1186/s40537-022-00646-8

Sirovich, L. y Kirby, M. (1987). Low-Dimensional Procedure for the Characterization of Human Faces. Journal of the Optical Society of America A, 4(3), 519-524.

http://dx.doi.org/10.1364/JOSAA.4.000519

Xu, S., Yang, Z., Chakraborty, D., Chua, Y., Tolomeo, S., Winkler, S., Birnbaum, M., Tan, B-L., Lee, J. y Dauwels, J. (2022). Identifying psychiatric manifestations in schizophrenia and depression from audio-visual behavioural indicators through a machine-learning approach. Schizophrenia, 8(92). https://doi.org/10.1038/s41537-022-00287-z

Zheng, J. y Peng, J. (2019). A novel pedestrian detection algorithm based on data fusion of face images. International Journal of Distributed Sensor Networks, 15(5). https://doi.org/10.1177/1550147719845276


Enlaces refback

  • No hay ningún enlace refback.