Untitled

FACULTAD DE INGENIERÍA
Escuela Académico Profesional de Ingeniería de Sistemas e Informática
Tesis
Reconocimiento facial para la identificación de los

alumnos en exámenes finales en la modalidad presencial
de la Universidad Continental – Huancayo, 2021
Doris Ida Galindo Taype

Sandy Judith Huaringa Gallardo
Gladys Luz Samaniego Canales
Para optar el Título Profesional de

Ingeniero de Sistemas e Informática
Huancayo, 2021
Esta obra está bajo una Licencia "Creative Commons Atribución 4.0 Internacional" .
AGRADECIMIENTOS
Agradecer al ingeniero Daniel Gamarra Moreno, docente de la E.A.P de

Ingeniería de Sistemas e Informática por su dedicación y apoyo brindado
incondicionalmente para finalizar de manera satisfactoria esta tesis.
II
DEDICATORIA
A Dios, por permitirme llegar hasta esta

etapa de mi formación profesional y a mis
padres, por su apoyo incondicional en cada
proceso.
Doris Ida Galindo Taype
Le dedico el presente trabajo de

investigación a Dios por haber permitido
llegar hasta aquí, a los ingenieros y a mi
familia por ser el soporte y ayuda que me
han brindado durante la elaboración de este
proyecto y motivarme a continuar mejorando
cada día.
Sandy Judith Huaringa Gallardo
El presente proyecto es dedicado a mi

familia, a mis padres por todo el apoyo
brindado en todo el proceso de mi formación
profesional.
Gladys Luz Samaniego Canales
III
ÍNDICE DE CONTENIDO
AGRADECIMIENTOS……………………………………………………………… II
DEDICATORIA……………………………………………………………………... III
ÍNDICE DE CONTENIDO………………………………………………………… IV
ÍNDICE DE FIGURAS…………………………………………………………….. XI
RESUMEN………………………………………………………………………... XIV
ABSTRACT……………………………………………………………………….. XV
INTRODUCCIÓN………………………………………………………………… XVI
CAPÍTULO I PLANTEAMIENTO DEL ESTUDIO……………………………… 18
1.1. Planteamiento y formulación del problema .......................................... 18
1.2. Formulación del problema .................................................................... 21
1.3. Objetivo general y objetivos específicos .............................................. 22
1.4. Justificación e importancia ................................................................... 22
1.5. Limitaciones y alcance del proyecto ..................................................... 23
CAPÍTULO II 25
MARCO TEÓRICO 25
2.1. Antecedentes del problema ................................................................. 25
2.1.1. Antecedentes internacionales ............................................................ 25
2.1.2. Antecedentes nacionales ................................................................... 28
2.2. Bases teóricas ..................................................................................... 30
2.2.1. Suplantación de identidad .................................................................. 30
2.2.2. Tipos de suplantación ........................................................................ 30
2.2.3. Identidad ............................................................................................ 31
2.2.4. Identificación ...................................................................................... 31
2.2.5. Casos de suplantación de identidad .................................................. 31
2.2.6. Inteligencia artificial............................................................................ 31
2.2.7. Áreas de aplicación de la IA ............................................................... 32
2.2.8. Aprendizaje automático (Machine Learning) ...................................... 34
2.2.9. Aprendizaje profundo ......................................................................... 36
2.2.10. Reconocimiento facial ...................................................................... 36
2.2.11. Como se inició el reconocimiento facial ........................................... 37
2.2.12. Como funciona el reconocimiento facial ........................................... 38
IV
2.2.13. Redes neuronales convolucionales (CNN) ...................................... 39
2.2.14. Estructura de las redes neuronales convolucionales ....................... 40
2.2.15. Deep Learning o aprendizaje profundo ............................................ 40
2.2.16. Sistema de reconocimiento facial .................................................... 41
2.2.17. Instalación de cámara para reconocimiento facial............................ 42
2.3. Definición de términos básicos............................................................. 42
CAPÍTULO III METODOLOGÍA………………………………………………….. 45
3.1. Metodología aplicada para el desarrollo de la solución ........................ 45
2.3.1. Flujo de trabajo .................................................................................. 45
3.1.1. Realizar explícitas las políticas de proceso ........................................ 48
3.2. Desarrollo del sistema de escritorio mediante Kanban ......................... 49
3.2.1. Visualizar el flujo de trabajo ............................................................... 49
3.2.2. Limitar el trabajo en progreso (WIP) .................................................. 49
3.2.3. Gestionar el flujo ................................................................................ 50
3.2.4. Hacer políticas explicitas.................................................................... 50
3.2.5. Implementar circuitos de retroalimentación ........................................ 51
3.2.6. Mejorar colaborativamente ................................................................. 51
3.2.7. Roles de Kanban ............................................................................... 51
3.3. Metodología del reconocimiento facial ................................................. 51
3.3.1. Fase del entrenamiento ..................................................................... 52
3.3.2. La fase de ejecución .......................................................................... 56
3.4. La matriz de confusión ......................................................................... 59
3.4.1. Verdadero positivo (TP) ..................................................................... 61
3.4.2. Verdadero negativo (TN).................................................................... 61
3.4.3. Falso positivo (FP): error de tipo 1 ..................................................... 61
3.4.4. Falso negativo (FN): error de tipo 2 ................................................... 61
3.4.5. Métricas de la matriz de confusión ..................................................... 62
3.5. Alcance del proyecto ............................................................................ 62
CAPÍTULO IV ANÁLISIS Y DISEÑO DE LA SOLUCIÓN……………………. 63
4.1. Identificación de los requerimientos ..................................................... 63
4.1.1. Usuarios que intervienen en el sistema.............................................. 63
4.1.2. Historias de usuarios ......................................................................... 64
4.1.3. Requerimientos funcionales ............................................................... 65
4.1.4. Especificaciones de los requerimientos ............................................. 71
V
4.1.5. Requerimientos no funcionales .......................................................... 73
4.1.6. Requerimientos no funcionales del software ...................................... 74
4.1.7. Requerimientos no funcionales de la organización ............................ 76
4.2. Análisis de la solución .......................................................................... 77
4.2.1. Propuesta de la solución .................................................................... 77
4.2.2. Análisis de las especificaciones de los requerimientos funcionales ... 78
4.2.3. Análisis técnico y económico ............................................................. 81
4.2.4. Viabilidad de la propuesta .................................................................. 84
4.3. Diseño ................................................................................................. 86
4.3.1. Diseño de la arquitectura del sistema ................................................ 86
4.3.2. Herramientas ..................................................................................... 88
4.3.3. Diseño del reconocimiento facial........................................................ 89
4.3.4. Diseño de interfaz y navegación ........................................................ 90
4.3.5. Interfaz de login ................................................................................. 90
4.3.6. Pantalla de principal ........................................................................... 91
4.3.7. Pantalla administrar usuarios ............................................................. 92
4.3.8. Formulario registrar usuario ............................................................... 92
4.3.9. Pantalla administrar estudiantes ........................................................ 93
4.3.10. Formulario registrar estudiante ........................................................ 93
4.3.11. Formulario reconocimiento facial ..................................................... 94
4.3.12. Formulario de asistencia .................................................................. 94
4.3.13. Diseño de la base de datos ............................................................. 95
CAPÍTULO V CONSTRUCCIÓN………………………………………………… 97
5.1. Construcción ........................................................................................ 97
5.5.1. Modelamiento de la red neuronal artificial y el Machine Learning ...... 97
5.5.2. Creando una imagen integral ............................................................. 98
5.5.3. Extracción de características ........................................................... 100
5.5.4. Escritura de código de red neuronal ................................................ 101
5.5.5. Interfaz de inicio de sesión ............................................................... 104
5.5.6. Interfaz de la pantalla principal ........................................................ 107
5.5.7. Interfaz administrar usuarios ............................................................ 108
5.5.8. Interfaz registrar usuario .................................................................. 108
5.5.9. Interfaz administrar estudiantes ....................................................... 109
5.5.10. Formulario registrar estudiante ...................................................... 109
VI
5.5.11. Formulario reconocimiento facial ................................................... 110
5.5.12. Diagrama de clases ....................................................................... 112
5.5.13. Construcción de la base de datos .................................................. 113
CAPÍTULO VI 117
PRUEBAS Y RESULTADOS 117
6.1. Pruebas y resultados ......................................................................... 117
6.1.1. Pruebas del modelo de reconocimiento facial .................................. 117
6.2. Pruebas y resultados del modelo de reconocimiento facial ................ 118
6.2.1. Prueba 01: Gladys Samaniego ........................................................ 118
6.2.2. Prueba 02: Doris Galindo ................................................................. 121
6.2.3. Prueba 03: Sandy Huaringa ............................................................. 124
6.2.4. Prueba 04: Joel Cuadros ................................................................. 127
6.2.5. Prueba 05: Jorge Bizarro ................................................................. 129
6.2.6. Resultados ....................................................................................... 131
6.2.7. Pruebas de software ........................................................................ 132
6.2.8. Pruebas de aceptación .................................................................... 132
6.2.9. Plan de pruebas de aceptación ........................................................ 133
6.2.10. Ejecución de resultados ................................................................. 134
6.2.11. Aplicación de la matriz de confusión .............................................. 142
6.2.12. Aplicación de las métricas de evaluación ....................................... 143
6.3. Discusión de resultados ..................................................................... 145
CONCLUSIONES 148
RECOMENDACIONES 149
REFERENCIAS BIBLIOGRÁFICAS 150
ANEXOS 157
VII
ÍNDICE DE TABLAS
Tabla 1. Porcentaje de casos de suplantación ............................................. 20

Tabla 2. Frecuencia de casos de suplantación ............................................. 20
Tabla 3. Principales ámbitos de aplicación de los sistemas de
inteligencia artificial ........................................................................ 33
Tabla 4. Políticas DOD y DOR ..................................................................... 50
Tabla 5. Usuarios del sistema ...................................................................... 64
Tabla 6. Historias de usuarios ...................................................................... 64
Tabla 7. Requerimientos funcionales ........................................................... 65
Tabla 8. Requerimientos funcionales – Iniciar sesión ................................... 66
Tabla 9. Requerimientos funcionales – Gestión de usuarios ........................ 66
Tabla 10. Requerimientos funcionales – Registrar estudiante ...................... 67
Tabla 11. Requerimientos funcionales – Capturar rostro .............................. 67
Tabla 12. Requerimientos funcionales – Guardar información ..................... 67
Tabla 13. Requerimientos funcionales – Registrar asistencia ....................... 68
Tabla 14. Requerimientos funcionales – Guardar imagen ............................ 68
Tabla 15: Requerimientos funcionales – Reconocimiento facial ................... 68
Tabla 16. Requerimientos funcionales – Reconocimiento facial
en tiempo real .............................................................................. 69
Tabla 17: Requerimientos funcionales – Verificar identidad ......................... 69
Tabla 18. Requerimientos funcionales – Permitir ingreso ............................. 69
Tabla 19. Requerimientos funcionales – Listar usuarios ............................... 70
Tabla 20. Requerimientos Funcionales – Listar estudiantes ......................... 70
Tabla 21. Requerimientos funcionales – Manual de usuario ......................... 70
Tabla 22. Especificaciones de los requerimientos funcionales ..................... 71
Tabla 23. Requerimientos no funcionales del software ................................. 74
Tabla 24. Requerimientos no funcionales – Base de datos .......................... 74
Tabla 25. Requerimientos no funcionales – Requerimientos
de usabilidad ............................................................................... 75
de rendimiento ............................................................................. 75
VIII
de seguridad ................................................................................ 75
Tabla 28. Requerimientos no funcionales – Requerimientos de eficiencia ... 75
Tabla 29. Requerimientos no funcionales – Requerimientos de
confidencialidad ........................................................................... 75
de integridad ................................................................................ 76
de disponibilidad .......................................................................... 76
Tabla 32. Requerimientos no funcionales de la organización ....................... 76
Tabla 33. Requerimiento funcional 001, Iniciar Sesión ................................. 78
Tabla 34. Requerimiento funcional 002, Registrar usuario ........................... 79
Tabla 35. Requerimiento funcional 003, Registrar estudiante ....................... 79
Tabla 36. Requerimiento funcional 004, Capturar rostro del estudiante........ 79
Tabla 37. Requerimiento funcional 005, Reconocimiento facial .................... 80
Tabla 38: Requerimiento funcional 005, Registro de asistencia ................... 80
Tabla 39. Requerimientos de hardware ........................................................ 81
Tabla 40. Herramientas utilizadas en el desarrollo ....................................... 82
Tabla 41. Costos de hardware ..................................................................... 82
Tabla 42. Costos de software ....................................................................... 83
Tabla 43. Costos de personal ....................................................................... 83
Tabla 44: Costos operativos ......................................................................... 83
Tabla 45. Costo total .................................................................................... 84
Tabla 46. Tensor Flow vs OpenCV ............................................................... 84
Tabla 47. Restricciones técnicas .................................................................. 86
Tabla 48. Tablas de la base de datos ........................................................... 96
Tabla 49. Clase tipo de usuario .................................................................. 112
Tabla 50. Clase Usuario ............................................................................. 112
Tabla 51.Clase estudiante .......................................................................... 113
Tabla 52. Clase asistencia ......................................................................... 113
Tabla 53. Descripción de la tabla Tipo de Usuario ..................................... 114
Tabla 54. Descripción de la tabla Usuario .................................................. 114
Tabla 55: Descripción de la tabla Estudiante .............................................. 115
Tabla 56. Descripción de la tabla Asistencia-Estudiante ............................ 115
IX
Tabla 57. Resultados de las pruebas ......................................................... 132
Tabla 58. Plan de pruebas de aceptación .................................................. 133
Tabla 59: Ejecución del plan de pruebas .................................................... 134
Tabla 60. Caso de prueba - Registrar estudiante ....................................... 135
Tabla 61. Caso de prueba - Capturar rostro ............................................... 136
Tabla 62. Caso de prueba - Capturar rostro con lentes .............................. 138
Tabla 63. Caso de prueba - Capturar rostro con lentes .............................. 139
Tabla 64. Caso de prueba realizar reconocimiento .................................... 140
Tabla 65. Caso de prueba – Registrar asistencia ....................................... 141
X
ÍNDICE DE FIGURAS
Figura 1. Denuncias recibidas en la DIVINDAT de enero a abril 2021 -------- 19

Figura 2. Tipos de aprendizaje automático ------------------------------------------- 35
Figura 3. Red Neuronal Convolucional ------------------------------------------------ 39
Figura 4. Redes Neuronales convolucionales, --------------------------------------- 40
Figura 5. Aprendizaje profundo ---------------------------------------------------------- 41
Figura 6. Reconocimiento facial --------------------------------------------------------- 41
Figura 7. Fases del ciclo de desarrollo ------------------------------------------------- 45
Figura 8. Actividades que se desarrollaran ------------------------------------------- 46
Figura 9. Actividades en proceso -------------------------------------------------------- 47
Figura 10. Actividades finalizadas ------------------------------------------------------- 47
Figura 11. Fechas de entrega de cada una de las tarjetas del
tablero Kanban --------------------------------------------------------------- 48
Figura 12. Prácticas de Core Kanban -------------------------------------------------- 49
Figura 13. Políticas explicitas ------------------------------------------------------------- 50
Figura 14. Fases y Etapas de la Metodología, --------------------------------------- 52
Figura 15. Creación del DataSet del modelo ----------------------------------------- 52
Figura 16. Modelo de entrenamiento de la red neuronal artificial, -------------- 53
Figura 17. Formato de presentación de la fotografía para
entrenamiento de los algoritmos ------------------------------------------- 54
Figura 18. Especificaciones de la imagen a utilizar --------------------------------- 54
Figura 19. Entrenamiento de la red neuronal en Python -1 ----------------------- 55
Figura 20. Entrenamiento de la red neuronal en Python -2 ----------------------- 55
Figura 21. Entrenamiento del modelo en Python utilizando el editor de código
visual studio code ---------------------------------------------------------------------------- 56
Figura 22. Proceso para crear un clasificador de rostros ------------------------- 57
Figura 23. Proceso para crear un clasificador de rostros empleando
Haar-Cascade ------------------------------------------------------------------ 57
Figura 24. Ejemplo de detección de rostros ------------------------------------------ 58
Figura 25. Reconocimiento facial -------------------------------------------------------- 59
Figura 26. Matriz de confusión ----------------------------------------------------------- 60
XI
Figura 27. Entendiendo el verdadero positivo, el verdadero negativo,el
falso positivo y el falso negativo en una matriz de confusión ------ 61
Figura 28. Interpretación de la matriz de confusión --------------------------------- 62
Figura 29. Requerimientos no funcionales -------------------------------------------- 73
Figura 30. Modelo conceptual de la Solución ---------------------------------------- 78
Figura 31. Arquitectura del software ---------------------------------------------------- 87
Figura 32. Arquitectura del hardware --------------------------------------------------- 88
Figura 33. Pasos para el reconocimiento facial -------------------------------------- 90
Figura 34. Mockup de inicio sesión----------------------------------------------------- 91
Figura 35. Mockup de la pantalla principal -------------------------------------------- 91
Figura 36. Mockup Pantalla administrar usuarios ----------------------------------- 92
Figura 37. Mockup registrar usuario ---------------------------------------------------- 92
Figura 38. Mockup pantalla administrar estudiante --------------------------------- 93
Figura 39. Mockup formulario registrar estudiante ---------------------------------- 93
Figura 40. Mockup reconocimiento facial ---------------------------------------------- 94
Figura 41. Mockup registro de asistencia --------------------------------------------- 94
Figura 42. Diseño lógico ------------------------------------------------------------------- 95
Figura 43. Tabla de la base de datos --------------------------------------------------- 96
Figura 44. Núcleos utilizados en Haar Cascade ------------------------------------- 98
Figura 45. Imagen de entrada – imagen integral ------------------------------------ 98
Figura 46. Imagen de entrada – imagen integral ------------------------------------ 99
Figura 47. Imagen integral en posición (x, y) ----------------------------------------- 99
Figura 48. Filtros Haar rotados, trasladados y con cambios de escala ------ 100
Figura 49. Convolución del filtro Haar con una imagen integral --------------- 100
Figura 50. Importación de módulos cv2, face_recognition y os ---------------- 101
Figura 51. Importación de módulos numpy, sys y mysql ------------------------ 101
Figura 52. Carga de imagen ------------------------------------------------------------ 101
Figura 53. Carga de imagen ------------------------------------------------------------ 102
Figura 54. Especificaciones del módulo DetectMultiScale en OpenCV ----- 102
Figura 55. Argumentos del módulo DetectMultiScale en OpenCV ------------ 103
Figura 56. Resultado del módulo DetectMultiScale en OpenCV -------------- 103
Figura 57: Estructura del directorio---------------------------------------------------- 104
Figura 58. Interfaz inicio de sesión ---------------------------------------------------- 104
Figura 59. Código de inicio de sesión -1 --------------------------------------------- 105
XII
Figura 60. Código de inicio de sesión -2 --------------------------------------------- 106
Figura 61: Clase de la tabla usuario -------------------------------------------------- 106
Figura 62. Menú principal ---------------------------------------------------------------- 107
Figura 63. Código de menú principal ------------------------------------------------- 107
Figura 64: interfaz administrar usuarios---------------------------------------------- 108
Figura 65. Interfaz registrar usuario --------------------------------------------------- 108
Figura 66. Interfaz administrar estudiante, construcción de la interfaz ------ 109
Figura 67. interfaz registrar estudiantes --------------------------------------------- 109
Figura 68. Código del registro estudiantes ------------------------------------------ 110
Figura 69. Interfaz de reconocimiento facial ---------------------------------------- 110
Figura 70. Código de reconocimiento facial en C# -------------------------------- 111
Figura 71. Código de reconocimiento facial en JavaScript --------------------- 111
Figura 72. Creación del DataSet ------------------------------------------------------- 111
Figura 73. Diagrama de clases --------------------------------------------------------- 112
Figura 74. Matriz de confusión --------------------------------------------------------- 143
Figura 75. Aplicación de la matriz de confusión ----------------------------------- 143
Figura 76. Valores de la matriz de confusión --------------------------------------- 144
Figura 77. Formulas para calcular las métricas de la matriz de
confusión----------------------------------------------------------------------- 144
Figura 78. Pregunta Nª1 de la encuesta --------------------------------------------- 158
XIII
RESUMEN
En la universidad Continental, observamos que la suplantación de identidad

durante las fechas de exámenes finales son frecuentes, y esto se da
mayormente en las asignaturas generales, este problema se viene dando cada
año, lo que genera un estado de preocupación; por ello, el objetivo de la
presente investigación es desarrollar un sistema de escritorio mediante la
metodología Kanban para el reconocimiento facial y la identificación de los
alumnos en exámenes finales en la modalidad presencial de la universidad
Continental en la ciudad de Huancayo; considerando la gran importancia
desarrollar dicha investigación, ya que ayuda a disminuir el problema
presentado.
La metodología que se ha usado para el desarrollo del sistema es Kanban,

gestionado con la herramienta Trello, lo cual ayudó a tener un mejor control de
las actividades que se desarrollaron. Para la recolección de datos se utilizó la
encuesta tanto a estudiantes como docentes.
Luego de la respectiva construcción del modelo de reconocimiento facial, se

hizo la ejecución de pruebas con una muestra de 5 estudiantes cada uno con
50 fotografías, se capturaron rostros objetivos en diferentes escenarios como:
sin mascarilla-sin lentes, con mascarilla- sin lentes, sin mascarilla-con lentes,
a partir de los cuales se construyó una base de datos de imágenes.
Los resultados hallados en la evaluación del modelo del reconocimiento

facial por medio de la matriz de confusión es el 93 % ante la probabilidad de
similitud.
Finalmente, se concluye que el sistema de reconocimiento facial es

favorable para reducir la suplantación de identidad en los exámenes.
Palabras claves: reconocimiento facial, aprendizaje profundo, red neuronal,

face recognition, openCV
XIV
ABSTRACT
At the Continental University we observe that identity theft during final exam
dates is frequent, and this occurs mostly in general subjects, this problem has
been occurring every year, which generates a state of concern, for them the
objective of The present investigation is to develop a desktop system using the
Kanban methodology for facial recognition for the identification of students in
final exams in the face-to-face modality of the Continental University in the city
of Huancayo; considering the great importance of developing such research,
since it helps to reduce the problem presented.
The methodology that has been used for the development of the system is
Kanban, managed with the Trello tool, which helped to have a better control of
the activities that were developed and for the collection of data, the survey of
both students and teachers was used.
After the respective construction of the facial recognition model, tests were
carried out with a sample of 5 students each with 50 photographs, objective
faces were captured in different scenarios such as: without mask-without
glasses, with mask-without glasses, without mask-with lenses, from which an
image database was built.
The results found in the evaluation of the facial recognition model through
the confusion matrix is 93% before the probability of similarity.
Finally, it is concluded that the facial recognition system is favorable to

reduce identity theft in exams.
Keywords: Facial Recognition, Deep Learning, Neural Network, Face

Recognition, OpenCV
XV
INTRODUCCIÓN
Durante los últimos años, se han desarrollado sistemas de reconocimiento

facial para mayor seguridad informática, seguridad pública, económica,
asistencia laboral, control y monitoreo en el ambiente, entre otros; debido a
que en el mundo hay muchos casos de suplantación de identidad, incluso se
ha duplicado los casos, aún más en la pandemia. Sin embargo, a medida que
la tecnología avanza, el reconocimiento facial enfrenta varios desafíos, como
las oclusiones que no permiten realizar una precisión exacta y lo otro son los
cambios en la iluminación que pueden causar cambios dramáticos en los
rasgos faciales.
En Perú, cada vez más, se elevan las denuncias por suplantación de

identidad y la única recomendación para no ser víctima de estafas,
suplantaciones o fraudes es que proteger la privacidad de la cuenta o perfil en
las redes sociales.
Actualmente, la suplantación de identidad se está convirtiendo en un

problema que afecta en todas las áreas. A nivel local, se evidenció que en la
universidad Continental uno de los problemas principales es que existe la
suplantación de identidad en la toma de exámenes finales, mayormente en las
asignaturas generales y se viene dando año tras año, lo que genera un estado
de preocupación ante este problema.
La presente tesis aplica herramientas y procedimientos para lograr un

reconocimiento facial efectivo, donde propone un sistema de escritorio de
reconocimiento facial que incluye algunos rasgos de oclusión como por
ejemplo cuando el estudiante cuenta con los accesorios como mascarillas y
lentes, que de cierta forma afectan el resultado en la identificación de los
estudiantes de pruebas.
Las pruebas se realizaron con cinco estudiantes en diferentes escenarios,

formando subcarpetas con sus respectivos nombres y apellidos de cada
XVI
estudiante con 10 imágenes respectivamente para el entrenamiento, validación
del modelo.
La tesis realiza el reconocimiento facial en los siguientes casos. 1) con el

uso de mascarilla, 2) con el rostro descubierto y 3) con el uso de lentes.
A continuación, se desarrollará un resumen de los cinco capítulos de

investigación.
Capítulo I, se desarrollará el planteamiento del problema, formulación del

problema, objetivo general, objetivos específicos, justificación práctica y
justificación metodológica.
Capitulo II, se presenta el marco teórico que brindará los antecedentes

internacionales, antecedentes nacionales, bases teóricas y definición de
términos básicos.
Capítulo III, se desarrollará la metodología, metodología aplicada para el

desarrollo de la solución.
Capítulo IV, se detalla el análisis y diseño de la solución, identificación de

los requerimientos funcionales y no funcionales, análisis de la solución y el
diseño.
Capítulo V, se detalla la construcción, especificando el desarrollo del

sistema web, utilizando la metodología Kanban, las pruebas y finalmente los
resultados.
XVII
CAPÍTULO I
PLANTEAMIENTO DEL ESTUDIO
1.1. Planteamiento y formulación del problema

La inteligencia artificial aborda la simulación del comportamiento inteligente
que implica que los dispositivos pueden pensar por su propia cuenta y cada
vez se encuentra más involucrada en cualquier ámbito de la vida donde la
tecnología se adapta a las necesidades humanas. En los últimos años, los
sistemas de reconocimiento facial se han desarrollado principalmente para uso
de seguridad, asistencia laboral, control y monitoreo en el ambiente, entre
otros; debido que a nivel mundial hay muchos casos de suplantación de
identidad y es un flagelo que está en alza en estos últimos tiempos.
En América Latina, la suplantación de identidad se ha convertido en el delito

cibernético más común durante la pandemia de Covid-19, el ataque principal
es el phishing donde los piratas informáticos intentan engañar a las personas
para que descarguen el malware con la finalidad de obtener su información
personal mediante correo o redes sociales, explotan la curiosidad, confianza
y/o ansiedad. Las cifras indican que los países más atacados en Latinoamérica
son Venezuela, Brasil, EE. UU, Colombia y México. (1)
En el Perú, en el año 2021 se realizó una investigación a 1188 denuncias y

los más frecuentes fueron el fraude informático y la suplantación de identidad
donde las formas más frecuentes fue el phishing que hacen todo lo posible
para ilusionar y defraudar a las personas con paginas falsas. También
suplantan la identidad en los perfiles de redes sociales para engañar a los
18
amigos y/o familiares con la condición de que les hagan préstamos o les
depositen por temas de salud u alguna otra necesidad. En la figura 1, se
muestran el número de casos frecuentes de fraude informática.
Figura 1. Denuncias recibidas en la DIVINDAT de enero a abril 2021

Tomado de diario El Peruano (2)
Por otro lado, la prevención de plagio es una tarea que acompañó en la

educación presencial siempre; por eso, se evidenció que en la universidad
Continental un problema que existe es la suplantación de identidad durante las
fechas de exámenes finales, mayormente en las asignaturas generales, este
problema se viene dando año tras año, lo que genera un estado de
preocupación.
Este tipo de situaciones se realiza porque muchos estudiantes no toman el

interés a dichos cursos y para ellos es fácil de pedir apoyo a estudiantes que
son más destacados. Y la mayoría de los casos se da porque el docente no
llega a conocer en su totalidad a los estudiantes y pierde el control del entorno
y esto aumenta cuando el número de estudiantes es mayor. En ese punto es
donde se requiere aplicar alguna estrategia para disminuir la suplantación.
Los efectos que causa este problema es la indignación de los estudiantes

que se esmeran por obtener una nota aprobatoria, que a otros se les facilita
suplantando con otros estudiantes, a consecuencia de eso se ha decidido
19
elaborar el sistema de reconocimiento facial para la identificación de los
estudiantes y poder reducir la estadística de suplantación.
En la siguiente tabla 1, se evidencia según la encuesta realizada a 86

personas, el porcentaje de casos que se detectó una suplantación de identidad
por semestre es el siguiente: el 22.5 % se detecta una suplantación de 1 a 3
casos, el 6.8 % es de 3 a 6 casos, el 3.5 % de 6 a 10 casos y finalmente el
67.2 % no encuentra ningún caso.
Tabla 1. Porcentaje de casos de suplantación

Porcentaje (%) de casos que se detectó una suplantación de identidad por semestre
1-3 Casos 3-6 Casos 6-10 Casos Ningún Caso
22.5% 6.8% 3.5% 67.2 %
Tomada de encuesta por Google Forms a personas pertenecientes a la Universidad

Continental en el periodo académico 2019-II
Nota: Porcentaje (%) de casos en que se detectó una suplantación de

identidad por semestre
También en la tabla 2, se evidencia la frecuencia en porcentajes sobre la

suplantación de identidad por semestre donde el 4.7 % es muy frecuente, el
14.1 % es frecuente, el 25.6% es poco frecuente y el 55.6 % nunca.
Tabla 2. Frecuencia de casos de suplantación

Frecuencia en porcentaje (%) de suplantación de identidad por semestre
Muy Frecuente Frecuente Poco Frecuente Nunca
4.7% 14.1% 25,6% 55,6%
Tomada de encuesta por Google Forms a personas pertenecientes a la Universidad

Continental en el periodo académico 2019-II.
Nota: Frecuencia en porcentaje (%) de suplantación de identidad por semestre
De acuerdo con una encuesta realizada a docentes de la universidad, se

constató que, durante el periodo académico 2019-II, el 91,9 % de docentes no
logran conocer a sus estudiantes en su totalidad, mientras que el 8,1% si logra
20
conocerlos, esto sucede mayormente cuando los estudiantes se encuentran
entre el primero a quinto semestre. También se identificó las acciones más
sospechosas de una suplantación en los exámenes finales que es el 48,8 %
por nerviosismo, el 22,1 % por desconocimiento de datos personales, el
20,9 % por mirada temerosa y el 4,7 % muestra inquietud. Por lo tanto, las
acciones que realiza el docente para concretar la suplantación, el 57 % de
preguntan los datos personales al estudiante, el 32,1 % realiza la verificación
de identidad con su DNI física y el 10,9 % pide datos generales de su familia.
Seguidamente el docente después de encontrar una suplantación dentro del
aula el 84,9 % anulan el examen al estudiante, el 10,5 % realizan una sanción
ejemplar según el reglamento interno de la universidad Continental y el 4,6 %
de docentes deciden darle la oportunidad de rendir otro examen.
Lo que el equipo de trabajo propone para contrarrestar es: desarrollar un

sistema de escritorio de reconocimiento facial para la identificación de
estudiantes, así identificar suplantación de identidad. Por lo expuesto nuestros
problemas de investigación son los siguientes:
1.2. Formulación del problema

1.2.1. Problema general
¿Cómo identificar la suplantación de identidad de los estudiantes en los
exámenes finales de la modalidad presencial en la Universidad Continental de
la ciudad de la Huancayo?
1.2.2. Problemas específicos

• ¿Cómo elaborar el modelo de reconocimiento facial para la identificación de
los alumnos en los exámenes finales de la universidad Continental de la
ciudad de Huancayo?
• ¿Cómo evaluar el modelo de reconocimiento facial para la identificación de
los alumnos en los exámenes finales de la universidad Continental de la
ciudad de Huancayo?
21
1.3. Objetivo general y objetivos específicos
1.3.1. Objetivo general
Desarrollar el sistema de escritorio para el reconocimiento facial mediante
la metodología Kanban para identificar la suplantación de identidad de los
alumnos en los exámenes finales de la universidad Continental de la ciudad de
Huancayo.
1.3.2. Objetivos específicos

• Aplicar el proceso típico de clasificación en máquinas de aprendizaje
(machine learning) en identificación de los alumnos en los exámenes finales
de la Universidad Continental de la ciudad de Huancayo.
• Evaluar el modelo de reconocimiento facial mediante la aplicación de la

matriz de confusión para la identificación de los alumnos en los exámenes
finales de la universidad Continental de la ciudad de Huancayo.
1.4. Justificación e importancia

1.4.1. Justificación práctica
La realización de este proyecto tiene como finalidad apoyar en la educación
digital. El tema propuesto en la tesis permitirá identificar si el estudiante
pertenece a la clase, y esto se realizará mediante el reconocimiento del rostro
al momento de ingresar al salón de clase, así disminuir la suplantación de
alumnos en exámenes finales y al mismo tiempo se registrará de manera
automática su asistencia al curso. Esto permite tener una mejor interacción con
los usuarios docentes; evitando llamar lista al estudiante de una manera
tradicional.
1.4.2. Justificación metodológica
Para el desarrollo del proyecto se optó por usar la metodología de gestión
de proyectos Kanban, debido a que permite dar seguimiento y controlar el
avance, lo cual ayuda a determinar las tareas que se debe hacer y actualizar
la prioridad en función de los requerimientos, el desarrollo de trabajo está a la
vista del equipo, y si hay algún retraso en el proyecto, es notorio.
22
Comparando Kanban con Scrum, Kanban se basa en el desarrollo, define el
flujo de trabajo y el tiempo de entrega, aborda los números de tareas de forma
fluida y simultánea y Scrum opta por dividir tareas complejas en varias historias
de usuarios y lo controlan en un flujo de trabajo más visual. (3)
Por otro lado, para el reconocimiento de imágenes se utilizará la biblioteca

OpenCV, ya que es libre y tiene una librería de visión artificial, contiene más
de 2500 algoritmos lo cual ayuda en el análisis y tratamientos de las imágenes
capturadas, también se usará la librería face-recognition que está construido
con técnicas de aprendizaje profundo para el reconocimiento de los rostros.
1.5. Limitaciones y alcance del proyecto

1.5.1. Limitaciones
En el reconocimiento facial se consideran algunas limitaciones o
inconvenientes como pueden ser:
• El proyecto no abarca la etapa de implementación.
• No se hará el reconocimiento facial a más de una persona al mismo tiempo.
• El reconocimiento con mascarilla no es preciso.
• El reconocimiento se realizará en tiempo real al estudiante.
• Se utilizará como base principal la recopilación de imágenes capturadas en
un Dataset, para la comparación.
• Oclusión debido a objetos o accesorios: existen artefactos en el rostro que
podrían ocasionar problemas en el procesamiento y extracción de
características deseadas. Tales artefactos son: anteojos, aretes, piercing,
entre otros.
Para la captura de las fotografías para el entrenamiento del modelo se

deben cumplir los siguientes requisitos:
• Iluminación, es importante emplear una adecuada iluminación en la toma de
las imágenes para el análisis de características deseadas.
• Para la captura de la imagen se debe realizar de manera frontal.
• Las imágenes para reconocer tendrán las características similares a las
anteriores.
23
• Para el reconocimiento facial, el ambiente debe de estar bien iluminado
(preferiblemente luz natural).
24
CAPÍTULO II
MARCO TEÓRICO
2.1. Antecedentes del problema

2.1.1. Antecedentes internacionales
a) Tesis titulada: “Desarrollo de un sistema de control de acceso de personal
empleando reconocimiento facial respaldado con técnicas de aprendizaje
profundo”, la investigación tuvo como objetivo desarrollar e implementar el
sistema control de acceso de personal por medio de reconocimiento facial
en el cual se consideró algoritmos de aprendizaje profundo (deep learning)
aplicado en tiempo real, a través de la visión por computadora. Para detectar
y alinear el rostro se utilizó algoritmos de aprendizaje profundo como
MTCNN, el modelo pre entrenado Facenet teniendo mejor respuesta en
cuanto a la métricas rendimiento, acurracy y precisión. También se agregó
un algoritmo de anti-plagio, denominado algoritmo de la vida, el cual cumple
la función de detectar la imitación de rostros y evitar la vulnerabilidad al
momento de reconocer a una persona mediante una foto o un video, la
muestra utilizada para el desarrollo de pruebas fueron 11 personas, todas
ellas con 2 fotos respectivamente. Los resultados para las pruebas
realizadas demuestran que el sistema de reconocimiento facial arroja un
elevado rendimiento en cuanto a identificación facial, cuando el usuario
registrado se coloca con vistas al frente de la cámara, cercanos al 100% y
además esto se logró con tan solo 2 fotos por cada usuario registrado. (4)
Esta tesis es fundamental para realizar una introducción del aprendizaje

profundo en el reconocimiento facial donde se hace énfasis en el uso de la
librería OpenCV utilizado juntamente con el lenguaje de programación Python.
25
b) Tesis titulada: “Reconocimiento facial basado en redes neuronales
convolucionales”, la investigación tuvo como objetivo implementar un
sistema de reconocimiento facial que haga uso de redes neuronales
artificiales y luego evaluar su funcionamiento, el algoritmo utilizado para la
detección ha sido el de histogramas de gradientes orientes (HOG), para
ajustar la imagen se utilizó un algoritmo llamado estimación de punto de
referencia que ha sido implementado en la librería Face Recognition, así
mismo para la extracción de características se utilizó una red neuronal
convolucional profunda. Este modelo presenta una precisión del 99,38 %. Y
por último para comparación y clasificación se realizó haciendo uso de un
Perceptrón Multicapa (MLP) que, a diferencia de las redes neuronales
artificiales usadas en los pasos anteriores, esta sí que va a ser configurada
y entrenada personalmente, Para realizar experimentos con la red neuronal
y evaluar sus resultados, se utilizó la técnica validación cruzada o cross-
validation. En las pruebas se ha obtenido aproximadamente un total del
99,40% de aciertos, por lo que se podría afirmar que el sistema, en general,
reconoce rostros con una considerable efectividad. (5)
Esta tesis es relevante para la investigación para dar una introducción de la

librería Face Recognition que es necesario para el reconocimiento facial que
utiliza inteligencia artificial.
c) Artículo científico titulado: “Reconocimiento facial en video usando Deep

learning”, la investigación tuvo como objetivo desarrollar una aplicación que
consiste en la implementación de deep learning para el reconocimiento
facial en vídeos, la metodología utilizada se basa en tres enfoques: en el
primer enfoque se simula una base de datos, la cual tendrá almacenados
los vectores de 128 posiciones de cada imagen del dataset de
entrenamiento junto con una etiquetas(nombre de la persona a quien
corresponde la foto). En el segundo enfoque se creó un Perceptrón
Multicapa que hará el trabajo de la base de datos del primer enfoque. La
motivación principal para la creación de un modelo de red neuronal es la
estructura de los datos, muy familiares a los datasets de una red neuronal.
Por último, Para el tercer enfoque se creó una red convolucional
26
personalizada. Esto se lo realizo utilizando la librería de Tensor Flow y
Keras. El modelo consta de la primera convolución con una matriz de 94 x
94. Como resultados el modelo FaceNet, permitió obtener vectores de 128
posiciones que caracterizan a una imagen, con el que se obtuvo lo mejores
resultados. (6)
d) Tesis titulada: “Sistema de reconocimiento facial con redes neuronales para

la toma de asistencia en aulas de clase”, la investigación tuvo como objetivo
desarrollar un prototipo que utilice software de reconocimiento facial, redes
neuronales artificiales y hardware de bajo costo y consumo para la toma de
asistencia en aulas de clase. Caso de estudio Universidad Autónoma de
Bucaramanga, utilizo métodos holísticos basados en PCA/LDA, PCA es un
método que transforma una determinada cantidad de variables correladas a
un pequeño número de variables incorreladas llamadas componentes
principales, LDA es un método que permite reducir un problema de
identificación o ubicación de alta dimensión mediante la proyección de datos
en un espacio vectorial más pequeño, Para que el modelo se considere útil,
debe tener una precisión 44 de mínimo el 85% y una pérdida de información
por debajo del 50% durante su entrenamiento. Como conclusión, es posible
hacer un despliegue del sistema, pero sería un plan para implementar a
largo plazo debido a la inversión y los cambios que se deben hacer en la
infraestructura de la universidad (servidores, bases de datos, personal). (7)
e) Tesis titulada: “Evaluación de algoritmos aplicados a la extracción de

características para el reconocimiento facial en base a la ISO/IEC 25010”,
planteo su objetivo en evaluar los algoritmos más conocidos para la
extracción de características faciales en sistemas de reconocimiento facial.
Los algoritmos son: EigenFace, FisherFace, Viola_Jones. La evaluación se
realizó utilizando los parámetros de la ISO/IEC25010, en esta tesis se
implementó estos algoritmos utilizando algoritmo PCA (análisis de
componentes principales), género como resultado una valoración de 56/70
para el algoritmo de FisherFace, seguido por EigenFace con un 54/70 y por
último el algoritmo Viola-Jones con un 53/70 (8).
27
Esta tesis es muy importante para nuestra investigación ya que se toma
como referencia la aplicación de los algoritmos y su porcentaje de efectividad
de cada uno para el reconocimiento facial.
2.1.2. Antecedentes nacionales

a) Tesis titulada: “Redes neuronales artificiales de aprendizaje profundo para
el reconocimiento facial y control de acceso de estudiantes a un laboratorio”,
esta investigación tuvo como objetivo la implementación de una red
neuronal convolucional de aprendizaje profundo para el reconocimiento
facial y el control de acceso de estudiantes de la carrera de Ingeniería
Mecatrónica; para esto, la metodología empleada consistió en el
entrenamiento de la red neuronal, con el propósito de extraer los datos
relevantes de los rasgos faciales en las fotografías tomadas al grupo de
estudiantes. La muestra utilizada fue de 426 fotografías correspondiente a
14 alumnos que utilizaron el Laboratorio de Control en el semestre 2019-I;
igualmente, el software empleado para el entrenamiento de la red fue el
MATLAB y su Toolbox Deep Learning. También, se realizaron pruebas para
la selección de la red, iniciando con una capa de convolución, luego dos, y
finalmente tres capas, las cuales dieron como resultados los siguientes
porcentajes de precisión 15.63 %, 94.00 % y 67.13 %, respectivamente. De
esta manera, se optó por elegir la red neuronal con dos capas de
convolución, de 16 y 32 filtros, para realizar el reconocimiento facial. (9)
b) Artículo científico titulado: “Aplicación del deep learning para el

reconocimiento facial con la presencia de oclusiones en el contexto de la
pandemia COVID 2021”, la investigación tuvo como objetivo aplicar el Deep
learning para el reconocimiento facial inclusive con el uso mascarillas y/o
lentes. La investigación usa Python y la librería de la red convolucional pre
entrenada VGG16. Con una muestra total de 2400 imágenes para las
pruebas, también se realiza el reconocimiento facial con la presencia de
oclusiones en el rostro; utilizando una cámara web. La precisión alcanzada
en el entrenamiento de la red neuronal es de 0.2 y el porcentaje de acierto
obtenido de la aplicación en la segunda fase es de 71%, concluyendo aso
28
que el proyecto logra detectar a personas cuando estas utilizan mascarilla,
lentes, ambos o sin el uso de estos; con el porcentaje de acierto. (10)
De esta tesis se toma referencia las técnicas de aprendizaje profundo para

la clasificación de imágenes y reconocimiento facial.
c) Artículo científico titulado: “Aplicación de inteligencia artificial para

monitorear el uso de mascarillas de protección”, tuvo como objetivo crear
una aplicación web que permite monitorear el uso de la mascarilla protectora
en ambientes públicos. Utilizando el framework Flask, en el lenguaje de
Python, la aplicación cuenta con un panel de control que ayuda a visualizar
los datos obtenidos. El proceso de detección utiliza el algoritmo Haar
Cascade para clasificar rostros con y sin mascarillas protectoras. Como
resultado, la aplicación web es liviana y permite detectar y almacenar en la
nube las imágenes capturadas y la posibilidad de un mayor análisis de
datos. El clasificador presenta precisión, revocación y f-score de 63%, 93%
y 75%, respectivamente. Aunque la precisión fue satisfactoria, se realizarán
nuevos experimentos para explorar nuevas técnicas de visión por
computadora, como el uso del aprendizaje profundo. (11)
d) Artículo científico titulada: “Sistema de reconocimiento facial para el Control

de la trata de personas en Perú”, la investigación tiene como objetivo
desarrollar un sistema que contribuye al control de la trata de persona
mediante el reconocimiento facial utilizando el algoritmo LBHP, con la
metodología de desarrollo XP (programación extrema) ya que es la más
apropiada para el trabajo en parejas y para realizar los roles de
programación y testeo. La investigación es de tipo aplicada, con una
muestra de 50 rostros de personas desaparecidas o denunciadas por trata
de personas, obtenidos del sistema de recompensas del Ministerio del
Interior del Perú y del Registro de latinoamericanos desaparecidos de la
Organización de Estados Americanos únicamente, se tiene como resultado
un reconocimiento facial de 68.75% al realizar las pruebas. (12)
29
e) Tesis titulada: “Sistema Inteligente Basado en Redes Neuronales para
mejorar la identificación de rostros de delincuentes en el distrito de Laredo”
Este sistema inteligente basado en RNA para mejorar la identificación de
rostros de delincuentes en el distrito de Laredo, para tal efecto se desarrolló
la metodología Jhon Durkin. Tuvo como objetivo mejorar la identificación de
rostros delictivos en el distrito de Laredo en apoyo a la policía nacional;
Mediante la instalación de un sistema inteligente basado en redes
neuronales artificiales, realizó las pruebas para determinar la normalidad en
datos estadísticos a través de Shapiro-Wilk, aplicando T de estudiantes
muestras bajo 30 para los indicadores, la población es de 2553 delincuentes;
tomando 334. Como muestra, es concluyó en el primer indicador que el
tiempo promedio en la identificación de rostros de delincuentes se redujo en
un 91,66% con una disminución de 414,85 segundos, en el segundo
indicador el número de identificaciones de delincuentes se incrementó
recientemente el número de delincuentes identificados en un 68.82 y en el
tercer indicador el tiempo promedio en alerta sobre los delincuentes
identificados ante la policía se reducen en un 77,31%. (13)
2.2. Bases teóricas

2.2.1. Suplantación de identidad
Es cuando una persona entra a un perfil que no es de él y se hace pasar por
el verdadero titular o crearse una cuenta con el nombre de una persona falsa
y esto genera errores en terceras personas. En la actualidad la suplantación
de identidad es muy frecuente. (14)
2.2.2. Tipos de suplantación

• Suplantación digital: los ciberdelincuentes toman posesión de las
plataformas digitales e ingresan a sitios privados, haciéndose pasar por
otras personas.
• Usurpación de identidad en redes sociales: es una de las suplantaciones

más comunes en los últimos años. Se trata de crear una cuenta falsa en las
redes sociales o hackear alguna cuenta de otras personas.
30
2.2.3. Identidad
Identidad es una palabra de origen latino (Identitas) que puede utilizarse
para referirse a un conjunto de características de un sujeto o de una
comunidad. Distinguir a un individuo o grupo de los demás. La identidad
también está relacionada con la percepción que una persona tiene de sí
misma. (15)
2.2.4. Identificación
El concepto más sencillo es de reconocer o comprobar que la persona es la
misma que se busca. La única manera de comprobar que sea la persona es
con el DNI. (15)
2.2.5. Casos de suplantación de identidad

En la Universidad Nacional Federico Villarreal (UNFV) fueron detenidos por
la policía nacional 11 falsos postulantes para un examen de admisión. El
comandante general José Luis Lavalle explicó que la banda “Los cerebros de
Cono Norte”, utilizaban masas de alginato (impresiones dentales) para sacar
las huellas dactilares, y cobraban entre 2 mil a 5 mil dólares según la facultad.
En los últimos años se ve en las noticias muchos casos como esto de
suplantación de identidad. (16)
2.2.6. Inteligencia artificial

a) Definición
Existen distintas definiciones acerca de la inteligencia artificial, ya que es un
tema amplio y complejo, se describe las definiciones más resaltantes a
continuación:
Rouhiainen, define la IA como “La habilidad de los ordenadores para hacer

actividades que normalmente requieren inteligencia humana”. Pero para
brindar una definición más detallada dice que la IA “Es la capacidad de las
máquinas para usar algoritmos, aprender de los datos y utilizar lo aprendido en
la toma de decisiones tal y como lo haría un ser humano”. (17)
31
También Escolano, Cazorla, Alfonso, Colomina y Lozano definen de manera
similar que: “LA inteligencia artificial es la ciencia de construir máquinas para
que hagan cosas que, si las hicieran los humanos, requerirían inteligencia”.
(18)
Por otro lado, Benítez, Escudero, Kanaan y Masip dicen: “La inteligencia
artificial es una disciplina académica relacionada con la teoría de la
computación cuyo objetivo es emular algunas de las facultades intelectuales
humanas en sistemas artificiales” (19)
b) Objetivos de la inteligencia artificial

Boden, presenta dos objetivos principales de la IA: uno es tecnológico,
consiste en usar los ordenadores para hacer cosas útiles. El otro es científico,
usar conceptos y modelos de IA que ayuden a resolver cuestiones sobre
humanos y demás seres vivos. (20)
2.2.7. Áreas de aplicación de la IA

Los ámbitos de la aplicación de la inteligencia artificial se dan en diversos
campos como describen Benítez, Escudero, Kanann y Rodo. (19)
Campos de la robótica, el análisis de imágenes, tratamiento automático de

textos, neurofisiológicas con el objetivo de asistir a personas discapacitadas.
Otra de las ramas con mayor proyección son los sistemas expertos, en los que
el objetivo es diseñar un sistema que permite analizar un conjunto de datos y
realizar típicamente asociadas a la figura de un profesional experto como el
diagnostico, detección de fallas o la toma de decisiones.
El análisis de textos es otro ejemplo interesante en el que se desarrollan

numerosos sistemas de IA. En la tabla 3, se describen los principales ámbitos
de aplicación de los sistemas de inteligencia artificial.
32
Tabla 3. Principales ámbitos de aplicación de los sistemas de inteligencia artificial
Área Aplicaciones
Medicina Ayuda al diagnostico
Análisis de imágenes biomédicas
Procesado de señales fisiológicas
Ingeniería Organización de la producción
Optimización de procesos
Cálculo de estructuras
Planificación y logística
Diagnóstico de fallas
Toma de decisiones
Economía Análisis financiero y bursátil
Análisis de riesgo
Estimación de precios en productos derivados
Minería de datos
Marketing y fidelización de clientes
Biología Análisis de estructura biológicas
Genética médica y molecular
Informática Procesado de lenguaje natural
Criptografía
Teoría de juegos
Lingüística computacional
Robótica y Sistemas adaptativos de rehabilitación
automática Interfaces cerebro-computadora
Sistemas de visión artificial
Sistemas de navegación automática
Tomada de Benítez (19)
De igual manera (18) explican las diversas áreas donde las IA se presenta
en mayor a menor medida, a continuación, se describen brevemente:
• Tratamiento de lenguajes naturales: este campo se puede englobar

aplicaciones que realicen traducción entre idiomas, interfaces hombre-
máquina que permiten interrogar una base de datos o dar órdenes a un
sistema operativo, de esta manera que la comunicación sea más amigable
al usuario.
33
• Sistemas expertos: se encuentran los sistemas donde la experiencia de
personal calificado se incorpora a dichos sistemas para conseguir
deducciones más cercanas a la realidad.
• Robótica: navegación de robots móviles, control de brazos de robots,

ensamblaje de piezas, etc.
• Problemas de percepción: reconocimiento de objetos y del habla,

detección de defectos de piezas por medio de visión, apoyo en diagnostico
médicos.
• Aprendizaje: modelización de conductas para su posterior implantación en

computadoras.
Por otro lado, Rouhiainen menciona que “la IA se puede aplicar en casi
todas las situaciones. Éstas son sólo algunas de las aplicaciones técnicas de
la IA que están creciendo rápidamente en la actualidad: Reconocimiento de
imágenes estáticas, clasificación y etiquetado: estas herramientas son útiles
para una amplia gama de industrias” (17)
Además de las definiciones anteriores, Thrun, menciona en un video que:

algunas veces, el término “inteligencia artificial” tiende a incomodar a la gente,
así que se han propuesto algunas alternativas. Un reconocido experto en IA,
(21) cree que es mejor llamarla “ciencia de datos”, una expresión menos
intimidatoria que probablemente llevaría a una mayor aceptación entre el
público. (17)
2.2.8. Aprendizaje automático (Machine Learning)

El aprendizaje automático (en inglés, machine learning) es uno de los
enfoques principales de la inteligencia artificial. En resumen, se trata un
aspecto de la informática en el que los ordenadores o las máquinas tienen la
capacidad de aprender sin estar programados para ello. Un resultado típico
serían las sugerencias o predicciones en una situación particular. (17)
34
Para Rouhiainen, (17), menciona que: “el aprendizaje automático utiliza
algoritmos para aprender de los patrones de datos.”
La figura 2, muestra los tres subconjuntos del aprendizaje automático que

pueden utilizarse: aprendizaje supervisado, no supervisado y de refuerzo.
Figura 2. Tipos de aprendizaje automático

Tomada de ANALYTICS VIDHYA
Para explicar la diferencia entre estas tres clases de aprendizaje automático

menciona (17) “Imaginemos que hay que organizar 20.000 imágenes y los
algoritmos tienen que identificar las fotos en las que aparece un gato”. Y se
explican a continuación:
• En el aprendizaje supervisado, los algoritmos usan datos que ya han sido
etiquetados u organizados previamente para indicar cómo tendría que
categorizarse la nueva información. Con este método, se requiere la
intervención humana para proporcionar retroalimentación. Por ejemplo,
enseñaríamos previamente al algoritmo fotos donde apareciera un gato para
que luego pudiera identificar imágenes similares.
• En el aprendizaje no supervisado, los algoritmos no usan ningún dato

etiquetado u organizado previamente para indicar cómo tendría que
categorizarse la nueva información, sino que tienen que encontrar la manera
de clasificarlas ellos mismos. Por tanto, este método no requiere la
35
intervención humana. (22) En el ejemplo, los algoritmos tendrían que
clasificar ellos mismos todas las fotos en las que apareciera un gato en una
categoría.
• Por último, con el aprendizaje por refuerzo, los algoritmos aprenden de la

experiencia. En otras palabras, tenemos que darles “un refuerzo positivo”
cada vez que aciertan (23). La forma en que estos algoritmos aprenden se
puede comparar con la de los perros cuando les damos «recompensas» al
aprender a sentarse, por ejemplo.
2.2.9. Aprendizaje profundo

El aprendizaje profundo (en inglés, deep learning) es una de aplicaciones
más poderosas y de mayor crecimiento de la inteligencia artificial. Es un
subcampo del aprendizaje automático que se utiliza para resolver problemas
muy complejos y que normalmente implican grandes cantidades de datos.
El aprendizaje profundo se produce mediante el uso de redes neuronales

artificiales, que se organizan en capas para reconocer relaciones y patrones
complejos en los datos. Su aplicación requiere un enorme conjunto de
información y una potente capacidad de procesamiento. Actualmente, se utiliza
en el reconocimiento de voz, el procesamiento del lenguaje natural, la visión
artificial y la identificación de vehículos en los sistemas de asistencia al
conductor (22).
2.2.10. Reconocimiento facial

El reconocimiento facial es la autenticación biométrica que utiliza medidas
del cuerpo que verifica la identidad de la persona, cuenta con subconjunto de
datos biométricos que identifica al individuo a través de la mediación de la
forma y estructura propias de un rostro. Permite establecer la identidad de los
individuos mediante sus rasgos faciales, copiando las características de las
personas, en la identificación de la imagen del rostro, tras analizar un conjunto
de imágenes preestablecidas. (24)
36
La finalidad de un sistema de reconocimiento facial suele ser la siguiente:
obtener una imagen o imagen de prueba de un rostro “desconocido”, encontrar
una imagen de ese mismo rostro en un conjunto de imágenes “conocidas” o
imagen de entrenamiento. La mayor dificultad añadida es que este proceso se
pueda hacer en tiempo real, el sistema reconocerá automáticamente el rostro
presente en la imagen o video. Por lo tanto, el reconocimiento facial es la
versión más avanzada de la tecnología que un teléfono o una computadora
para reconocer los amigos en las fotos.
2.2.11. Como se inició el reconocimiento facial

El reconocimiento facial en sus primeras investigaciones puede considerar
a Woodrow Wilson Bledsoe como un pionero de esta tecnología, ya que desde
la década de 1960 ha estado investigado un sistema para clasificar los rasgos
faciales humanos a través de la tabla RAND que tomaba coordenadas de
diferentes puntos de una imagen para posterior realizar las respectivas
mediciones. El sistema utiliza un lápiz óptico y coordina para colocar con
precisión los ojos, la nariz o la boca de las personas. Por lo cual se
desarrollaron técnicas que consistían en un sistema semiautomático donde
solo el administrador tenía la autorización para localizar rasgos (ojos, orejas,
nariz, boca) en fotografías.
En la década de 1970, comenzó la idea de realizar un reconocimiento facial

automático. El trabajo de Kanade se basa en analizar imágenes a través de un
programa encargado del procesamiento de imágenes para adquirir
automáticamente rasgos faciales, entre ellos nariz, contorno de ojos, boca y
mentón para medir la similitud entre rostros para después realizar el
reconocimiento.
A fines de la década de 1987, gracias a Sirovich y Kirby aplicaron la técnica

del algebra lineal llamado análisis de componentes principales (PCA). Para
demostrar que cualquier rostro puede ser representado por una combinación
de rostros para formar una línea base conocida como “eigenpictures” con un
error de 3 %.
37
En 1991 Kirby & Sirobich, utilizó la técnica PCA llamada EigenFace y se
convirtió en el estándar para comparar el rendimiento de los algoritmos de
reconocimiento facial más nuevos. Entre todos los algoritmos utilizados del
reconocimiento facial 2D, tres son los mejor estudiados y utilizados: Análisis
de Componentes Principales (PCA), Análisis Discriminante Lineal (LDA) y
coincidencia de gráficos de paquetes flexibles (EBGM).
En 2001 nació la plataforma de detección de objetos el Framework Viola-

Jones, que sus algoritmos es para detectar objetos en imágenes y
posteriormente se utilizó para la detección de rostros de una manera eficaz. En
la actualidad han surgido las Redes Neuronales Convolucionales y hasta el día
de hoy son la mejor manera de detectar rostros, utilizando sistemas altamente
eficientes capaces de almacenar información en la nube. (25)
2.2.12. Como funciona el reconocimiento facial

La funcionalidad principal del reconocimiento facial es que los rostros de las
personas pasan por una cámara especializada y realiza la comparación con
imágenes de personas en una lista. Estas listas de observación pueden
contener fotos de todos y estas imágenes pueden provenir de cualquier lugar,
incluidas nuestras cuentas de redes sociales. Los sistemas de tecnología facial
pueden variar, pero generalmente funcionan de esta manera:
✓ Reconocimiento facial: la cámara detecta la imagen de tu rostro y la
localiza, por recomendación la foto tiene que mostrar a la persona en primer
plano.
✓ Análisis facial: se graba una imagen del rostro y se analiza. La mayoría de

las tecnologías de reconocimiento facial se basan en imágenes 2D porque
son fáciles de comparar con fotos genéricas o fotos en una base de datos.
Los factores importantes son la distancia entre los ojos, la profundidad de
las cuencas de los ojos, la distancia desde la frente hasta el mentón, la forma
de los pómulos, los contornos de la boca, los oídos y el mentón; su objetivo
es identificar puntos de referencia faciales que son importantes para
distinguir entre los rostros.
38
✓ Conversión de imagen a datos: la captura de rostros convierte la
información analógica (rostros) en un conjunto de información digital (datos)
en función de los rasgos faciales de la persona. Los códigos digitales se
denominan impresión de rostros.
✓ Buscar coincidencia: cualquier foto etiquetada en Facebook pasa a formar

parte de la base de datos, que también se puede utilizar para el
reconocimiento facial. Por lo tanto, se realiza para determinar si la huella
facial coincide con la imagen en la base de datos de reconocimiento facial.
Y se concluye que, de todas las medidas biométricas, el reconocimiento
facial se considera la más natural. (26)
2.2.13. Redes neuronales convolucionales (CNN)

Las redes neuronales artificiales son sistemas que intentan simular el
funcionamiento del cerebro humano. Las redes neuronales convolucionales
son técnicas de aprendizaje profundo que se usan para el procesamiento de
texto, su alto rendimiento o razón de existir es básicamente para el
procesamiento de imágenes de una manera efectiva y eficiente como pueden
ser fotografías y videos. Las operaciones que realiza son en 3 ejes (ancho, alto
y profundo) en color de RGB (rojo, verde y azul). (27) Estas operaciones se
pueden observar en la figura 3.
Figura 3. Red Neuronal Convolucional

Tomada de Solutions Data (29)
39
2.2.14. Estructura de las redes neuronales convolucionales
IBM describe las redes neuronales convolucionales cuentan con capas de
entrada, capas ocultas y capas de salida. Los cuales se describen a
continuación y se evidencia en la figura 4. (27)
Capa de entrada: se encarga de recibir todos los píxeles de nuestra imagen
de entrada, luego pasa toda la información a la primera capa oculta.
Capa oculta: es donde se encuentra la información más importante, dentro

de ella existen dos operaciones importantes: Primero es el pooling que es una
operación que se encarga de reducir el tamaño de nuestra imagen, y para
poder pasar a las siguientes capas, la imagen es más pequeña y menos
pesado, segundo son las convoluciones, dentro de ellas pasan un montón de
filtros a nuestra imagen para detectar ciertos patrones relevantes.
Capa de salida: que es la última capa oculta, su función es emitir un valor

requerido y está limitado al tipo de problema que contiene el resultado.
Figura 4. Redes Neuronales convolucionales,

Tomada de Solutions Data (29)
2.2.15. Deep Learning o aprendizaje profundo

Aprendizaje profundo son técnicas del aprendizaje automático que se
enfocan en simular el aprendizaje de los seres humanos para lograr tener
conocimiento de algo. Emplea una red neuronal profunda que es una red de
multicapas que contienen más de dos capas ocultas. Profundidad viene del
número de capas que no intervienen los seres humanos sino el modelo mismo
de aprendizaje realiza las acciones o actividades. En la figura 5, se muestra
40
las dos fases principales que compone el aprendizaje profundo que son fase
de entrenamiento y fase de predicción.
Figura 5. Aprendizaje profundo

Tomada y adaptada de Carchemilla (30)
2.2.16. Sistema de reconocimiento facial

Es un software que identifica automáticamente a la persona y está hecho
por algoritmos que está dirigido por una computadora, lo cual realiza
mediciones de los análisis de características fisiológicas del rostro como la
forma y la estructura. (31)
Figura 6. Reconocimiento facial

Tomada de Narag (31)
En la figura 6, muestra que el reconocimiento facial es la tecnología que

ayuda a verificar, autenticar y autorizar la identidad de una persona mediante
el reconocimiento de su rostro.
41
2.2.17. Instalación de cámara para reconocimiento facial
Al momento de instalar la cámara es muy importante tener en cuenta el
ángulo de inclinación que debe tener esta, para poder visualizar desde una
mejor perspectiva del rostro el cual se quiere reconocer, y por otro lado evita
los objetos obstructores que puede haber dentro del espacio o del pasillo.
2.3. Definición de términos básicos

● Algoritmo: en Matemáticas, Lógica, Ciencias de la Computación y
disciplinas relacionadas es un conjunto de instrucciones o reglas definidas
y no-ambiguas, ordenadas y finitas que permite, típicamente, solucionar un
problema, procesar datos y llevar a cabo otras tareas o actividades. (32)
● Aprendizaje máquina: es un tipo de inteligencia artificial (AI) que brinda a

las computadoras la capacidad de aprender sin tener que programarse
directamente. El aprendizaje automático se centra en la creación de
programas informáticos que pueden cambiar cuando se exponen a nuevos
datos. (33)
● DataSet: conjunto de datos y es una colección de datos habitualmente

tabulada.
● Detección facial: es una técnica que permite encontrar el rostro o cara de

una o más personas en una imagen, ignorando el fondo de la imagen u otros
objetos que estén presentes dentro de ella. (34)
● Expresión facial: una expresión facial son cambios que se producen en

nuestro rostro en respuesta a estados emocionales internos. En este
sentido, el análisis de las expresiones faciales incluye la identificación
efectiva de las expresiones faciales y su relación directa con las emociones.
(35)
● Face-recognition: es un algoritmo que ayuda a reconocer el rostro de una

persona y está basado en características geométricas. (36)
42
● Haar Cascade: es un algoritmo en forma de cascada para la detección de
rostros más antiguos, no solo se utiliza para identificar rostros, sino que
también ojos, labios, etc. La detección de objetos mediante clasificadores
en cascada basados en funciones Haar es un método eficaz de detección
de objetos propuesto por Paul Viola y Michael Jones en su documento,
“Rapid Object Detection using a Boosted Cascade of Simple Features” en
2001. Se trata de un enfoque basado en el aprendizaje automático en el que
la función en cascada se entrena a partir de muchas imágenes positivas y
negativas. Luego se utiliza para detectar objetos en otras imágenes. (37)
● Identidad: es el conjunto de los rasgos propios de un individuo o de una

comunidad. Estos rasgos caracterizan al sujeto o al a colectividad frente a
los demás. (38)
● Imagen digital: las imágenes digitales son fotos electrónicas tomadas de

una escena o escaneadas de documentos, fotografías, manuscritos, textos
impresos e ilustraciones. Se realiza una muestra de la imagen digital y se
confecciona un mapa de ella en forma de cuadrícula de puntos o elementos
de la figura (píxeles) (39)
● Inteligencia artificial: se refiere a sistemas o máquinas que imitan la

inteligencia humana para realizar tareas y realizar mejoras iterativas
basadas en la información recopilada. (40), también Definimos la IA como el
estudio de los agentes que reciben percepciones del entorno y llevan a cabo
las acciones. (41)
● Oclusiones: las oclusiones faciales, es decir, objetos que cubren

parcialmente el rostro de una persona, hacen perder parte de la información
y complicar el desempeño de las técnicas de reconocimiento de rostros. (42)
● Procesamiento de imágenes digitales: es una tecnología que está

asociada a la ciencia de la computación y, por tanto, cabe mencionar como
una proyección del término visión artificial, dentro del ámbito de la
inteligencia artificial. (43)
43
● Reconocimiento facial: es una solución biométrica que utiliza algoritmos
automatizados para poder verificar o identificar a una persona en función de
sus características biológicas. La tecnología de reconocimiento facial
funciona comparando las características faciales de la persona reconocida
con características similares contenidas en una enorme base de datos.
● Red neuronal artificial: una red neuronal artificial está inspirado en el

comportamiento del cerebro humano, que está compuesta por un conjunto
de elementos que imitan los componentes neuronales biológicos,
compuestas por neuronas artificiales, y tienen tres características
principales: Aprendizaje, generalización y adaptación
● Suplantación de identidad: reemplazo o cambio por una persona o cosa

que cumpla la misma función.
● Visión por computadora: consiste en la adquisición, procesamiento,
clasificación y reconocimiento de imágenes digitales. (43) , Por otro lado, La
visión artificial es una disciplina de la inteligencia artificial, así como el
aprendizaje autónomo, aprendizaje profundo, procesamiento de lenguajes
naturales, entre otros. (44)
44
CAPÍTULO III
METODOLOGÍA
3.1. Metodología aplicada para el desarrollo de la solución

Este proyecto es una Investigación Tecnológica (Desarrollo Tecnológico)
que tiene un enfoque a la solución de un problema hallado, se identificó
requerimientos y necesidades para el desarrollo para finalmente poner a
prueba.
Para realizar este proyecto se tomó como base la metodología Kanban, en

base a los WIP (trabajo en progreso) que es una de las partes fundamentales
del método Kanban. Esto consistió en armar un tablero con la herramienta
online Trello, en la cual se estableció que es lo que se tenía que hacer, que es
lo que se está haciendo y que es lo que se hizo; esto permitió tener una vista
general y detallada del flujo del proyecto.
2.3.1. Flujo de trabajo

Para el desarrollo de las actividades se trabajó con la herramienta Trello, el
cual nos ayuda a tener un mejor control en el flujo del trabajo.
Figura 7. Fases del ciclo de desarrollo

Tomada y adaptada de Trello
45
En la figura 7, se evidencia que, en la herramienta Trello se organizó las 3
fases del proyecto las cuales son: por hacer, haciendo y hecho. Así tener una
buena gestión del desarrollo del sistema.
• Por hacer (To Do): en esta fase se detallan las actividades que se
desarrollarán y que serán clasificados cada uno por su prioridad y la
necesidad de iniciar con el desarrollo.
Figura 8. Actividades que se desarrollaran

En la figura 8, se observa las actividades que se desarrollaran y con las

fechas especificadas.
• Haciendo (Doing): en esta fase se muestra las actividades en proceso, el

avance de cada uno depende del número de integrantes en el equipo y los
conocimientos que se tiene sobre el tema.
46
Figura 9. Actividades en proceso
En la figura 9, se observa que para desarrollar unas actividades de tiene que

revisar que cada checklist ya sea haya terminado.
• Hecho (Done): Las actividades que pasaron por los 2 ciclos y que cumplirán
con las funcionalidades previstas.
Figura 10. Actividades finalizadas

47
En la figura 10, se evidencia que las actividades ya se desarrollaron en su
totalidad y en las fechas propuestas, y así se pueda proceder con la siguiente
actividad.
Tener un control: la metodología Kanban es visual y esto nos permite tener

un control del progreso del proyecto, en el desarrollo de algunas actividades
se tuvo dificultades.
Figura 11. Fechas de entrega de cada una de las tarjetas del tablero Kanban
En la figura 11, se evidencia los 3 procesos de Kanban organizada en la

herramienta Trello, las actividades que se desarrollarán, lo que están en
proceso y las finalizadas.
3.1.1. Realizar explícitas las políticas de proceso

Cada una de las tarjetas muestra etiquetas de color (verde, rojo, azul y
morado); indicando lo siguiente, si una tarjeta tiene una etiqueta verde son las
actividades requeridas, la etiqueta de color morado son las actividades que se
terminaron de realizar, la etiqueta de color rojo significa que es urgente, la
etiqueta de color azul significa que las actividades serán documentadas.
48
3.2. Desarrollo del sistema de escritorio mediante Kanban
Para el desarrollo del sistema se aplicó Kanban, el cual ayudó a minimizar
los trabajos en progreso y por ello se siguió con las prácticas generales de
Kanban:
Figura 12. Prácticas de Core Kanban

En la figura 12, se evidencia las prácticas Core Kanban que se tiene que
seguir para un buen desarrollo del sistema.
3.2.1. Visualizar el flujo de trabajo

En este aspecto se creó un tablero de columnas en la herramienta Trello, y
cada uno de los requerimientos establecidos pasará por cada fase y estará
visible para el equipo. Cada que un requerimiento pasa a la siguiente fase, la
nuevo se coloca en la primera columna, y lo que ya están en desarrollo se
pueda evaluar y priorizar.
3.2.2. Limitar el trabajo en progreso (WIP)

Para avanzar con el desarrollo del sistema se tiene que terminar con un
requerimiento y proseguir con el siguiente, para optimizar el trabajo se
desarrollaron las limitaciones (1.5), esto no ayudó a avanzar con fluidez en el
desarrollo del sistema, ya que se definió que no será capaz de hacer el sistema,
para así no trabajar con módulos que no se necesitaran para el reconocimiento
facial.
49
3.2.3. Gestionar el flujo
Para avanzar con fluidez el desarrollo del sistema, cada uno de los
miembros de trabajo tiene que priorizar los requerimientos más importantes.
3.2.4. Hacer políticas explicitas

En el desarrollo del sistema es necesario definir las reglas del flujo, y saber
en qué momento una actividad pasa al siguiente flujo y no acumularse. Para
tener un mejor control se definió las políticas de DOD y DOR.
Tabla 4. Políticas DOD y DOR

Políticas DOD Políticas DOR
En el desarrollo del reconocimiento Los casos de prueba deben ser
facial el código no debe tener entendibles para cada miembro del
errores de compilación. equipo.
Cada código desarrollado debe Los requerimientos deben tener una
estar documentada. aceptación por el Product Owner
Los requerimientos para el
Cada requerimiento debe tener criterios
desarrollo del sistema deben tener
de aceptación
criterios de aceptación.
Nota: Políticas explícitas DOD y DOR de desarrollo
En la tabla 4, se observa las políticas que se tienen que cumplir para pasar
una actividad de un flujo a otro.
Figura 13. Políticas explicitas

Tomada de material de estudio de universidad Continental
50
En la figura 13, se observa las actividades que están en curso y las
actividades que están listos para pasar al siguiente flujo cumpliendo las
políticas establecidas.
3.2.5. Implementar circuitos de retroalimentación

Kanban ayudó en el desarrollo del sistema efectivamente, ya que nos dio la
oportunidad de hacer las retroalimentaciones o hacer las revisiones del
proceso de desarrollo y los riesgos que se generarían si no se llega a completar
con un módulo a su totalidad.
En las reuniones del grupo de trabajo se hicieron priorizaciones, no empezar

una actividad si lo que está en desarrollo aún no se ha terminado.
3.2.6. Mejorar colaborativamente

En el desarrollo del sistema cada integrante del equipo tenía que trabajar
con una actividad hasta finalizarla.
3.2.7. Roles de Kanban

✓ Product Owner: uno de los miembros del equipo era responsable de
entender la necesidad del cliente y maximizar el valor en cada proceso del
desarrollo del sistema, ordenar las actividades que se deben empezar a
trabajar.
✓ Gestor de la entrega: responsable del flujo de trabajo, ver si la activad

empezada está en proceso o terminado y planificar para la entrega a tiempo.
3.3. Metodología del reconocimiento facial

El reconocimiento facial es un método para identificar o confirmar la
identidad de una persona a través de su rostro. (45)
A continuación, se describen las fases para el desarrollo del modelo de

reconocimiento facial: La fase del entrenamiento del modelo que se encuentra
compuesta por dos etapas: etapa 01 y 02, y la fase de la ejecución que contiene
la etapa 03 y 04, estas fases van de acuerdo con los objetivos propuestos, se
51
siguen actividades cronológicamente, en la figura 14, se evidencia las fases
que se realizaran.
Figura 14. Fases y Etapas de la Metodología,

Tomada y adaptada de Kaspersky (45)
3.3.1. Fase del entrenamiento
• Etapa 01: Elaboración del DataSet
Figura 15. Creación del DataSet del modelo

Tomada y adaptada de Mucha (46)
La figura 15, muestra la creación del dataset, con 50 imágenes por

estudiante, para este caso siendo un total de 300 fotografías a colores como
muestra, tomadas de forma consecutivas, dentro de cada carpeta personal de
estudiante se cuenta con fotografías enfocando al rostro en diferentes ángulos
sin movimiento corporal, en algunas fotografías se incluye la presencia de
52
oclusiones como lentes y mascarilla, sin perder los rasgos que caracteriza a
cada persona, como los ojos, nariz y boca.
• Etapa 02: Entrenamiento de la red neuronal artificial

La figura 16, muestra la manera en cómo se realizará el entrenamiento de
la red neuronal artificial y es importante ajustar a cada uno de los pesos de las
entradas de todas las neuronas que forman parte de la red neuronal, así las
respuestas de la capa de salida se ajusten lo más posible a los datos que
tenemos.
Figura 16. Modelo de entrenamiento de la red neuronal artificial,

Tomada y adaptada de Solano (33)
Para que una red neuronal artificial sea capaz de identificar un rostro de una
persona en cualquier imagen, es importante utilizar un elevado número de
imágenes durante el entrenamiento, tanto con imágenes positivas que son
rostros y con imágenes negativas que no sean rostros, con diferentes
escenarios y variabilidad. Con esto la red neuronal será capaz de ajustar sus
parámetros para extraer de manera precisa las características que identifican
la presencia de un rostro en una imagen. (47)
Las imágenes para el entrenamiento de los algoritmos serán las que se

almacenaron en la etapa 01, La figura 17, muestra la estructura de las
imágenes como se encuentran contenidas.
53
Figura 17. Formato de presentación de la fotografía para entrenamiento de los
algoritmos
Figura 18. Especificaciones de la imagen a utilizar

Tomada y adaptada de escrito de almacenamiento
Tal y como se muestra en la figura 18, las especificaciones de la imagen a

utilizar son, el directorio donde se almacena tiene el nombre del estudiante a
identificar, 640x480 son las dimensiones establecidas para el algoritmo y la
foto a utilizar en formato JPG.
54
Figura 19. Entrenamiento de la red neuronal en Python -1
Figura 20. Entrenamiento de la red neuronal en Python -2
La figura 19 y 20, muestra las líneas de código para el entrenamiento de la

red, los cuales se explican a continuación:
55
Figura 21. Entrenamiento del modelo en Python utilizando el editor de código visual
studio code
Se realizo entrenamiento a 300 rostros, al finalizar el aprendizaje se obtuvo

el modelo entrenado, la cual se almacena con el nombre de modelo
“EigenFace.xml” como se evidencia en la figura 21, con los modelos
almacenados.
3.3.2. La fase de ejecución

En la fase de ejecución se encuentra la etapa de reconocimiento y la etapa
de análisis de las pruebas. Para la ejecución del reconocimiento es importante
realizar el proceso de detección y clasificación de rostros usando Haar
Cascade, el cual se describe a continuación:
• Detección de rostros usando Haar Cascade

La detección de un rostro consiste en encontrar las áreas dentro de una
imagen o un video que contienen un rostro de una persona, para obtener la
ubicación y tamaño exacto de la cara.
56
Figura 22. Proceso para crear un clasificador de rostros
En la figura 22, en un principio se necesita de una gran cantidad de

imágenes para entrenar el clasificador, para que pueda diferenciar la presencia
de un objeto y la no presencia del mismo. Para realizar un detector de rostros
se requieren imágenes positivas (imágenes de rostro) e imágenes negativas
(imágenes que no contengan rostro).
Figura 23. Proceso para crear un clasificador de rostros empleando Haar-Cascade

En la figura 23, tenemos imágenes positivas y negativas como datos de

entrada. Para este caso la extracción de características es realizada con
características de Haar, mientras que para entrenar el clasificador se usa una
cascada de clasificadores que descartará las áreas que no sean considerados
57
rostros, y seguirá analizando los posibles candidatos a ser un rostro.
Obteniendo finalmente el detector de rostros.
Figura 24. Ejemplo de detección de rostros

En la figura 24, se evidencia como openCV logra detectar un rostro, mientras

que ignora el fondo de la imagen u otros objetos que estén presentes dentro
de ella.
• Etapa 03: Reconocimiento facial

En esta etapa es esencial la utilización de las librerías OpenCV y
haarcascade_frontalface, juntamente con las librerías Numpy y Python los
cuales hacen el trabajo de identificación y la verificación de los patrones y sus
diversas características extraídas del rostro detectado para el reconocimiento
en tiempo real al momento de la activación de la cámara.
Para el reconocimiento, previamente se realizó el entrenamiento lo cual se

aloja en la carpeta <script> y se sigue el siguiente proceso que se muestra en
la figura 25.
58
Figura 25. Reconocimiento facial
Estos rostros detectados se comparan con la base de datos, en la

comparación de rostros, se analiza matemáticamente y sin margen de error la
imagen entrante y se verifica que los datos correspondan con el estudiante que
esté solicitando el ingreso al aula.
• Etapa 04: Análisis de los resultados

Se realiza diferentes pruebas en relación a los tipos planteados que son:
rostro sin mascarilla y sin lentes, rostro con mascarilla sin lentes, rostro con
lentes y mascarilla, rostro con lentes sin mascarilla. Estas pruebas se clasifican
por tipo para analizar el porcentaje de reconocimiento de cada uno de ellos, de
manera que a través de la aplicación del Deep Learning cumpla un porcentaje
de precisión aceptable al reconocer e identificar el rostro de las personas,
incluyendo las restricciones que sean causados por mascarillas o lentes que
reduce los rasgos faciales para un mejor reconocimiento.
3.4. La matriz de confusión

La matriz de confusión nos ayuda a comprobar si el modelo de clasificación
basado en aprendizaje automático es bueno. Sirve para mostrar de forma
explícita cuando una clase es confundida con otra.
59
La matriz realiza una comparación de los valores reales con los predichos
por el modelo de aprendizaje, esto también nos ayuda a comprender que tan
bien está funcionando el modelo.
En la figura 26, se muestra la matriz de confusión de manera general.
Figura 26. Matriz de confusión

Tomada de TechTarget (33)
La matriz tal y como se muestra está compuesta por:

• La variable de destino tiene dos valores: positivo o negativo.
• Las columnas los valores reales de la variable objetivo
• Las filas representan los valores predichos de la variable objetivo.
Para entender la matriz de confusión, se tiene que entender el verdadero

positivo, el verdadero negativo, el falso positivo y el falso negativo. Las cuales
se muestran en la figura 27.
60
Figura 27. Entendiendo el verdadero positivo, el verdadero negativo, el falso positivo y
el falso negativo en una matriz de confusión
3.4.1. Verdadero positivo (TP)

• El valor predicho coincide con el valor real
• El valor real fue positivo y el modelo predijo un valor positivo
3.4.2. Verdadero negativo (TN)

• El valor predicho coincide con el valor real
• El valor real fue negativo y el modelo predijo un valor negativo
3.4.3. Falso positivo (FP): error de tipo 1

• El valor predicho se predijo falsamente
• El valor real fue negativo pero el modelo predijo un valor positivo
• También conocido como error tipo 1
3.4.4. Falso negativo (FN): error de tipo 2

• El valor predicho se predijo falsamente
• El valor real fue positivo, pero el modelo predijo un valor negativo
• También conocido como error tipo 2
61
De forma resumida se explica e interpreta en la figura 28, de la siguiente
manera:
Figura 28. Interpretación de la matriz de confusión

3.4.5. Métricas de la matriz de confusión

Para la evaluación el sistema puede devolver una identidad clasificando la
imagen a reconocer, o por otro lado devolver un mensaje indicando que la
imagen no puede ser reconocida, por lo que, en este caso, se consideran las
siguientes medidas:
• Verdaderos positivos
• Verdaderos Negativos
• Falsos positivos
• Falsos Negativos
3.5. Alcance del proyecto

● La investigación se aplicará en la universidad Continental
● Se basará en los problemas encontrados en la universidad Continental
● Control eficiente en el ingreso de estudiantes a exámenes
● Manejo de asistencia.
62
CAPÍTULO IV
ANÁLISIS Y DISEÑO DE LA SOLUCIÓN
4.1. Identificación de los requerimientos

En esta fase de la investigación, el usuario cumple un rol importante, ya que
dará a conocer las características necesarias para el desarrollo del sistema,
por consiguiente, se busca satisfacer las necesidades del usuario al momento
del desarrollo.
La identificación de los requerimientos es tarea del usuario, debido a que se

prioriza en orden del valor que aporta el requerimiento a la solución final
teniendo en cuenta el contexto de las limitaciones del proyecto.
Al tratarse de un proyecto en un plazo determinado, algunos requerimientos

se catalogarán con una prioridad baja y que tal vez no sea posible
desarrollarlos dentro de esta versión funcional del sistema, en el cual solo se
va a abarcar los requerimientos que tengan prioridad alta y que abarcan las
principales funcionalidades del sistema. Para identificar los requerimientos
funcionales se realizó una encuesta en el año 2019-II a 86 personas
(ver anexo A).
4.1.1. Usuarios que intervienen en el sistema

Los usuarios son parte esencial, ya que estos son los que hacen uso del
sistema de reconocimiento facial para un mejor control de identificación de los
63
estudiantes, es por ello por lo que se define los principales usuarios que
intervienen en el sistema, a continuación, se detalla en la tabla 5:
Tabla 5. Usuarios del sistema

Tipo de usuario Descripción
Control completo del sistema para agregar, modificar y visualizar
Administrador
estudiantes, docentes y registros académicos.
Registro de estudiantes, control de identificación de identidad para
Docente
evitar la suplantación.
Hacen uso del sistema de reconocimiento facial para la identificación
Estudiantes
de identidad.
Nota: Usuarios que intervienen en el uso del sistema
4.1.2. Historias de usuarios

Las historias de usuario es una explicación general e informal de una función
de software escrito desde la perspectiva del usuario final. Para este proyecto
se realizó en la tabla 6 la lista de historias de usuario.
Tabla 6. Historias de usuarios

ID Historias de usuario
HU01 Como usuario administrador requiero una interfaz de inicio de sesión con el fin de
ingresar con los accesos permitidos al sistema.
HU02 Como usuario administrador requiero registrar tipos usuarios con diferentes
permisos con el objetivo de tener el control según el rol definido.
HU03 Como usuario final requiero registrar un nuevo estudiante con el objetivo de
verificar su identidad mediante el reconocimiento facial al momento de ingresar al
salón de clases.
HU04 Como usuario final requiero que el sistema realice captura de rostro para
almacenar en la base de datos y realizar las comparaciones e identificación del
estudiante.
HU05 Como usuario administrador requiero guardar la información de los estudiantes en
la base datos con la finalidad de realizar análisis y comparaciones
HU06 Como usuario final requiero que se registre la asistencia con la identificación del
rostro para obtener reportes de consolidado.
HU07 Como usuario administrador requiero almacenar las imágenes capturadas en un
Dataset con la finalidad de utilizar para el entrenamiento del modelo de
reconocimiento facial.
64
HU08 Como usuario final requiero que el sistema compare la foto de entrada con la
imagen almacenada en la base de datos. Con el fin de encontrar un porcentaje de
similitud.
HU09 Como usuario final requiero que el sistema realice el reconocimiento facial en
tiempo real, con la finalidad de disminuir el número de suplantaciones de identidad.
HU10 Como estudiante requiero que el sistema valide mi identificación con el fin de poder
ingresar al salón de clases.
HU11 Como usuario final requiero que el sistema me brinde un porcentaje de similitud
del estudiante que realice la identificación de identidad.
HU12 Como administrador requiero listar los usuarios que usan el sistema.
HU13 Como docente requiero listar los estudiantes ingresados a la clase.
HU14 Como usuario final requiero un manual de uso con el objetivo de conocer las
funcionalidades del sistema.
Nota: Historias de usuarios
4.1.3. Requerimientos funcionales

Los requerimientos funcionales describen el comportamiento y los datos que
gestionara el sistema. En la tabla 7 se listan los requerimientos funcionales
para el sistema.
Tabla 7. Requerimientos funcionales

N° Requerimientos funcionales Usuario
RF1 Iniciar sesión Administrador
RF2 Registrar usuario Administrador
RF3 Registrar un estudiante Docente
RF4 Capturar la imagen a través de una cámara web Estudiante
RF5 Guardar la información en la base de datos Administrador
RF6 Registrar asistencia Estudiante
Guardar la imagen capturada de los estudiantes en una
RF7 Administrador
carpeta
RF8 Realizar el reconocimiento facial Administrador
El reconocimiento facial permitirá reconocer en tiempo real
RF9 Estudiante
al estudiante.
RF10 Verificar si el estudiante es correcto. Administrador
Permitir el ingreso del estudiante según el porcentaje de
RF11 Docente
similitud.
RF12 Listar Usuarios Administrador
RF13 Listar Estudiantes Docente
RF14 Generar un manual de usuario Administrador
65
Asimismo, en la tabla 8, tabla 9, tabla 10, tabla 11, tabla 12, tabla 13, tabla
14, tabla 15, tabla 16, tabla 17, tabla 18, tabla 19, tabla 20 y tabla 21, se
describen a detalle cada requerimiento funcional, especificando el nombre,
descripción, indicador, prioridad, tipo de usuario, datos de entrada y salida.
Tabla 8. Requerimientos funcionales – Iniciar sesión

Nombre de
Iniciar Sesión
requerimiento
El ingreso de inicio de sesión debe permitir la restricción o
aprobación de acceso al sistema mediante el usuario y
Descripción
contraseña. Con la finalidad de garantizar la integridad de la
información.
Indicador RF01 Prioridad Alta
Tipo de
Funcional Usuario Administrador
requerimiento
• Nombre de • Aprobación de
Datos de usuario. acceso al sistema
Datos de Salida
entrada • Contraseña de • Denegación de
usuario. acceso al sistema
Tabla 9. Requerimientos funcionales – Gestión de usuarios

Nombre de
Gestión de usuarios
requerimiento
En el sistema es necesario tener los tipos de usuarios con
diferentes permisos, el objetivo es llevar un control adecuado en
Descripción
la visualización y administración según el rol definido para la
manipulación al sistema.
Tipo de
requerimiento
• Módulo de • Creación de
Datos de
administración de Datos de Salida usuarios.
entrada
usuarios • Listar usuarios
66
Tabla 10. Requerimientos funcionales – Registrar estudiante
Nombre de
Registrar estudiante
requerimiento
El sistema debe registrar los estudiantes con el objetivo de
verificar su identidad mediante el reconocimiento facial al
Descripción
momento de ingresar al salón de clases y evitar cualquier tipo de
suplantación.
Tipo de
Funcional Usuario Docente
requerimiento
• DNI del
estudiante. • Ingreso al salón de
Datos de • Nombre del clases.
Datos de Salida
entrada estudiante. • No ingresa al salón
• Apellido del de clases.
estudiante
Tabla 11. Requerimientos funcionales – Capturar rostro

Nombre de
Capturar la imagen a través de una cámara web
requerimiento
El sistema debe capturar el rostro del estudiante para almacenar
Descripción
en la base de datos y realizar las comparaciones e identificación.
Tipo de
Funcional Usuario Estudiante
requerimiento
Datos de • Captura de • Almacena en la
Datos de Salida
entrada rostro Base de Datos.
Tabla 12. Requerimientos funcionales – Guardar información

Nombre de
Guardar la información en la base de datos
requerimiento
El sistema debe guardar la información de los estudiantes en la
Descripción base datos con la finalidad de realizar análisis y comparaciones
con cada información del estudiante.
Tipo de
requerimiento
• Nombre del estudiante • Almacena
Datos de Datos de
• Apellido del estudiante en la Base de
entrada Salida
• Captura del rostro Datos.
67
Tabla 13. Requerimientos funcionales – Registrar asistencia
Nombre de
Registrar asistencia
requerimiento
El sistema registra la asistencia con la identificación del rostro
Descripción
para obtener reportes de consolidado.
Tipo de
requerimiento
• Nombre del estudiante • Registro de
Datos de • Apellido del estudiante Datos de asistencia.
entrada • Captura del rostro del Salida • No registra la
estudiante. asistencia
Tabla 14. Requerimientos funcionales – Guardar imagen

Nombre de
Guardar la imagen capturada de los alumnos en una carpeta
requerimiento
El sistema almacena las imágenes capturadas en un Dataset con
Descripción la finalidad de utilizar para el entrenamiento del modelo de
Tipo de
requerimiento
• Imagen • Almacena las
Datos de
capturada del Datos de Salida imágenes capturadas
entrada
estudiante en un Dataset
Tabla 15: Requerimientos funcionales – Reconocimiento facial

Nombre de
Realizar el reconocimiento facial
Requerimiento
El sistema compara la foto de entrada con la imagen almacenada
Descripción en la base de datos. Con el fin de encontrar un porcentaje de
similitud.
Tipo de
Requerimiento
• Imágenes • Porcentaje de
Datos de Datos de
almacenadas del similitud con las imágenes
entrada Salida
estudiante almacenadas
68
Tabla 16. Requerimientos funcionales – Reconocimiento facial en tiempo real
Nombre de El reconocimiento facial permitirá reconocer en tiempo real al
requerimiento estudiante
El sistema realiza el reconocimiento facial en tiempo real, con la
Descripción
finalidad de disminuir el número de suplantaciones de identidad.
Tipo de
requerimiento
• Imágenes
Datos de • Estudiantes
almacenadas Datos de Salida
entrada suplantados
del estudiante
Tabla 17: Requerimientos funcionales – Verificar identidad

Nombre de
Verificar si el estudiante es correcto
requerimiento
El sistema valida la identificación del estudiante con el fin de poder
Descripción
ingresar al salón de clases.
Tipo de
requerimiento
• Imágenes
Datos de • Identificación
almacenadas Datos de Salida
entrada de estudiantes.
del estudiante
Tabla 18. Requerimientos funcionales – Permitir ingreso

Nombre de
Permitir el ingreso del estudiante según el porcentaje de similitud
requerimiento
El sistema brinda un porcentaje de similitud del estudiante que
Descripción
realice la identificación de identidad
Tipo de
requerimiento
• Imágenes • Porcentaje de
Datos de
almacenadas Datos de Salida similitud del
entrada
del estudiante estudiante.
69
Tabla 19. Requerimientos funcionales – Listar usuarios
Nombre de
Listar usuarios
requerimiento
El sistema muestra la visualización de los usuarios existentes con
Descripción el objetivo de garantizar que no existan usuarios no permitidos al
acceso del sistema.
Indicador RF12 Prioridad Media
Tipo de
requerimiento
• Lista de • Rol de usuario
Datos de
usuarios Datos de Salida • Nombre de usuario
entrada
registrados. • Apellido de usuario
Tabla 20. Requerimientos Funcionales – Listar estudiantes

Nombre de
Listar Estudiantes
requerimiento
El sistema muestra la visualización de los estudiantes existentes
Descripción en el sistema para garantizar que no existan estudiantes
duplicados.
Tipo de
requerimiento
• Lista de • DNI del estudiante
Datos de Datos de
estudiantes • Nombre del estudiante.
entrada Salida
registrados • Apellido del estudiante.
Tabla 21. Requerimientos funcionales – Manual de usuario

Nombre de
Generar un manual de usuario
requerimiento
El usuario final requiere un manual de uso con el objetivo de
Descripción
conocer las funcionalidades del sistema.
Tipo de
requerimiento
Datos de • Funcionalidad del
Datos de Salida • Manual de uso
entrada sistema
70
4.1.4. Especificaciones de los requerimientos
La especificación de requerimientos sirve como medio de comunicación
entre cliente, usuario y desarrolladores. En las especificaciones se recogen
tanto necesidades de clientes y usuarios, como los requisitos que debe cumplir
el sistema a desarrollar para satisfacer dichas necesidades. En la tabla 22, se
describen estas especificaciones de los requerimientos funcionales.
Tabla 22. Especificaciones de los requerimientos funcionales

Estimación
Id Req. Requerimiento Descripción Prioridad
(horas)
Como usuario administrador
requiero una interfaz de inicio
RF_001 Iniciar sesión de sesión con el fin de ingresar Alta 16 h
con los accesos permitidos al
sistema.
requiero registrar tipos
Registrar usuarios con diferentes
RF_002 Alta 16h
Usuario permisos con el objetivo de
tener el control según el rol
definido.
Como usuario final requiero
registrar un nuevo estudiante
con el objetivo de verificar su
Registrar
RF_003 identidad mediante el Alta 64h
estudiante
reconocimiento facial al
momento de ingresar al salón
de clases.
que el sistema realice captura
Capturar rostro de rostro para almacenar en la
RF_004 Alta 48h
del estudiante base de datos y realizar las
comparaciones e identificación
del estudiante.
Guardar la Como usuario administrador
información en requiero guardar la
RF_005 Alta 32h
la base de información de los estudiantes
datos en la base datos con la
71
finalidad de realizar análisis y
comparaciones
que se registre la asistencia
Registrar
RF_006 con la identificación del rostro Alta
Asistencia
para obtener reportes de
consolidado.
requiero almacenar las
Guardar la imágenes capturadas en un
RF_007 imagen en una Dataset con la finalidad de Alta 48h
DataSet utilizar para el entrenamiento
del modelo de reconocimiento
facial.
que el sistema compare la foto
Realizar
de entrada con la imagen
RF_008 comparaciones Alta 72h
almacenada en la base de
de rostros
datos. Con el fin de encontrar
un porcentaje de similitud.
que el sistema realice el
Determinar la
reconocimiento facial en
RF_009 identidad de Alta 64h
tiempo real, con la finalidad de
un estudiante
disminuir el número de
suplantaciones de identidad.
Como estudiante requiero que
el sistema valide mi
Validar el
RF_010 identificación con el fin de Alta 48h
estudiante
poder ingresar al salón de
clases.
Permitir el
ingreso del
que el sistema me brinde un
estudiante
RF_011 porcentaje de similitud del Alta 56h
según el
estudiante que realice la
porcentaje de
identificación de identidad
similitud.
Listar
RF_012 . visualizar los estudiantes Media 16h
Estudiantes
existentes en el sistema para
72
garantizar que no existan
estudiantes duplicados
visualizar los usuarios
RF_013 existentes en el sistema para
Listar usuario Media 16h
garantizar que no existan
usuarios no permitidos al
acceso del sistema.
Como usuario final requiero un
Generar un
manual de uso con el objetivo
RF_014 manual de Media 8h
de conocer las funcionalidades
usuario
del sistema.
4.1.5. Requerimientos no funcionales

Para realizar el análisis de los requerimientos no funcionales se tomará los
requisitos indicados en el libro de ingeniería de software de sommerville, que
se muestran en la figura 29.
Figura 29. Requerimientos no funcionales

Tomada de Xeridia (47)
Los requerimientos no funcionales están relacionados con el funcionamiento

y operación del software, describen las condiciones ambientales donde
permanecerá activa la solución. Los requisitos no funcionales, están
73
relacionados con la capacidad, experiencia de usuario, disponibilidad,
velocidad, seguridad y arquitectura de la información.
4.1.6. Requerimientos no funcionales del software

Se refieren a las cualidades, restricciones y características del software. A
diferencia de los funcionales, no determinan una funcionalidad del sistema a
desarrollar. A continuación, en la tabla 23, se describen los requerimientos no
funcionales a nivel de software.
Tabla 23. Requerimientos no funcionales del software

N° Requerimientos No Funcionales Usuario
RNF1 Base de Datos Administrador
RNF2 Requerimientos de usabilidad Docente y Estudiante
RNF3 Requerimientos de rendimiento Administrador
RNF4 Requerimientos de seguridad Administrador
RNF5 Requerimientos de eficiencia Docente
RNF6 Requerimientos de confidencialidad Administrador
RNF7 Requerimientos de integridad Administrador
RNF8 Requerimientos de disponibilidad Administrador
De igual manera, en la tabla 24, tabla 25, tabla 26, tabla 27, tabla 28, tabla
29, tabla 30 y tabla 31, se describen a detalle cada requerimiento no funcional,
especificando el nombre, descripción, indicador y prioridad.
Tabla 24. Requerimientos no funcionales – Base de datos

Nombre de
Base de datos
requerimiento
El almacenamiento de base de datos tiene que realizarse en
Descripción MySQL el cual permita el almacenamiento de información
Seguro.
Indicador RNF01 Prioridad Alta
74
Tabla 25. Requerimientos no funcionales – Requerimientos de usabilidad
Nombre de
Requerimientos de usabilidad
requerimiento
Como usuario final requiero que el software de
Descripción
reconocimiento facial sea de uso fácil y sencillo.
Tabla 26. Requerimientos no funcionales – Requerimientos de rendimiento

Nombre de
Requerimientos de rendimiento
requerimiento
• Como usuario administrador requiero que el sistema tome
una captura de imagen y lo guarde en el servidor local.
Descripción • Como usuario administrador requiero que el sistema tenga
un tiempo de respuesta de 10 segundos para realizar la
captura de imagen.
Tabla 27. Requerimientos no funcionales – Requerimientos de seguridad

Nombre de
Requerimientos de seguridad
requerimiento
Como usuario administrador es importante que el sistema
Descripción autentifique y autorice a los usuarios de acuerdo con el tipo
y rol.
Tabla 28. Requerimientos no funcionales – Requerimientos de eficiencia

Nombre de
Requerimientos de eficiencia
requerimiento
Como usuario final requiero que el software debe realizar el
Descripción
reconocimiento facial en un tiempo máximo de 10 segundos.
Tabla 29. Requerimientos no funcionales – Requerimientos de confidencialidad

Nombre de
Requerimientos de confidencialidad
requerimiento
Como usuario administrador requiero tener el acceso seguro
al sistema mediante la autentificación de usuario y
Descripción
contraseña, con ello garantizo que solo personas autorizadas
tendrán acceso a la información.
75
Tabla 30. Requerimientos no funcionales – Requerimientos de integridad
Nombre de
Requerimientos de integridad
requerimiento
Como usuario administrador requiero que cualquier
Descripción modificación o mantenimiento en el sistema, se realizara
previa autorización al usuario encargado.
Tabla 31. Requerimientos no funcionales – Requerimientos de disponibilidad

Nombre de
Requerimientos de disponibilidad
Requerimiento
Como usuario administrador requiero que el sistema de
escritorio tenga una alta disponibilidad en el acceso, para que
Descripción
el usuario encargado lo pueda usar en cualquier momento
cuando sea necesario.
4.1.7. Requerimientos no funcionales de la organización

En la tabla 32, se describen a detalle los requerimientos no funcionales
entorno a la organización.
Tabla 32. Requerimientos no funcionales de la organización

ID RNF DESCRIPCIÓN PRIORIDAD
Requerimientos Para un buen reconocimiento facial

RNF09 es necesario que se realice en un ALTA
ambientales
espacio iluminado.
El reconocimiento facial debe

funcionar con una cámara web ALTA
estándar integrada a la PC.
Requerimientos
RNF010
operacionales Para el sistema es necesario un
servidor en nodejs, base de datos en ALTA
MySQL, librerías y el modelo de
Lenguaje de programación en
Python para la parte del servidor y ALTA
Requerimientos
RNF11 C# para el cliente.
de desarrollo
El entorno de desarrollo de la base ALTA
de datos en MySQL.
76
4.2. Análisis de la solución
4.2.1. Propuesta de la solución
El presente proyecto propone una solución informática de bajo costo, donde
se permitirá el reconocimiento facial para identificar a estudiantes durante los
exámenes finales en clase de manera presencial, esta solución hará uso de
diversas tecnologías Open Source como los algoritmos de Haar-Cascade,
Face-recognition y las librerías OpenCV, Numpy, Cmake y pip. Estas
herramientas permiten el análisis, detección y reconocimiento facial, en este
sentido, cabe mencionar que de esta manera se pretende disminuir la cantidad
de suplantación de identidad durante los exámenes finales, mayormente en los
cursos generales.
El software de reconocimiento facial estará integrado a algoritmos eficientes

que se implementaron en proyectos similares, este software en su primera
versión tendrá las funcionalidades de registro de estudiantes, detectar el rostro
y verificarlos con la base de datos para así confirmar la identidad del
estudiante.
Todo este proceso se hará en una interfaz sencilla en un comienzo para

facilitar su uso a los usuarios.
La solución más significativa en un comienzo es referida a la seguridad y la
eficiencia en lo respecta a la identificación y reconocimiento de rostro y con
esto disminuir las suplantaciones de identidad.
El software tiene como propósito realizar el reconocimiento facial de

estudiantes para identificar suplantación de identidad en exámenes finales de
manera presencial y brindar una alerta en tiempo real, así evitar suplantaciones
de identidad, en la figura 30 se muestra el modelo conceptual de la solución:
primero haciendo uso de las librerías ya mencionadas anteriormente y el
modelo entrenado se procede a encender la cámara, se hace la detección de
rostro, luego se hace el proceso de reconocimiento y la comparación con la
base de datos, finalmente se hace la identificación del estudiante con su
respectivo nombre.
77
Figura 30. Modelo conceptual de la Solución
Tomada de Solano (34)
4.2.2. Análisis de las especificaciones de los requerimientos funcionales

Dentro del proceso de implementación de la propuesta de la solución se
encuentra la definición de los requerimientos de software, como son los
requerimientos funcionales o requerimientos no funcionales, para el desarrollo
del sistema se consideró los requerimientos que tengan una prioridad alta, por
lo cual, se realiza un documento de especificación de forma estandarizado.
En la tabla 33, tabla 34, tabla 35, tabla 36, tabla 37 y tabla 38, se realiza el
análisis de las especificaciones de cada uno de los requerimientos funcionales.
Tabla 33. Requerimiento funcional 001, Iniciar Sesión

Código RF_001
Nombre Iniciar sesión
Prioridad Alta
Descripción Se debe permitir iniciar sesión a un usuario que se encuentra
registrado.
Usuario Administrador
Entradas • Usuario
• Contraseña
Proceso Una vez registrados los datos del usuario, se debe permitir
el acceso al sistema.
Salida Usuario Autentificado
Nota: Los requerimientos que se identificaron con una prioridad alta para el
proceso del desarrollo del sistema de reconocimiento facial.
78
Tabla 34. Requerimiento funcional 002, Registrar usuario
Código RF_002
Nombre Registrar Usuario
Prioridad Alta
Descripción Se debe permitir registrar un usuario nuevo en la base de
datos. Se debe contar con un formulario de registro de datos.
Usuario Administrador
Entradas • Nombres del usuario a registrar
• Un único nombre de usuario
• Contraseña
Proceso Una vez registrados los datos del usuario y ejecutado el
proceso, se debe permitir la autentificación del usuario
nuevo.
Salidas Creación de usuarios
Tabla 35. Requerimiento funcional 003, Registrar estudiante

Código RF_003
Nombre Registrar Estudiante
Prioridad Alta
Descripción Para que verificar la identidad de un estudiante es necesario
permitir el registro.
Usuario Usuario Final
Entradas • DNI del estudiante.
• Nombre del estudiante.
• Apellido del estudiante
Proceso Una vez registrados los datos del estudiante en la base de
datos, se debe capturar la imagen del estudiante.
Salidas Resultado de la operación de registro de estudiante
Tabla 36. Requerimiento funcional 004, Capturar rostro del estudiante

Código RF_004
Nombre Capturar rostro del estudiante
Prioridad Alta
Descripción El sistema debe permitir capturar imágenes sobre el rosto
del estudiante para que sea de ayuda al momento del
entrenamiento del modelo de reconocimiento facial y para
la identificación de la persona.
79
Entradas • La persona debe encontrarse ubicado al frente de la
cámara web que está conectada al sistema durante 10
segundos.
Proceso Se realiza la captura de las imágenes de forma
automática.
Salidas El sistema deberá guardar las imágenes capturadas en la
carpeta que se encuentra en el disco local del ordenador.
Tabla 37. Requerimiento funcional 005, Reconocimiento facial

Código RF_005
Nombre Realizar el reconocimiento facial
Prioridad Alta
Descripción El sistema deberá identificar al estudiante si es
perteneciendo o no al salón de clases.
Entradas • Imágenes del estudiante objetivo mediante la cámara web
en tiempo real.
Proceso Se realiza la comparación sobre la base de datos de los
estudiantes de forma identifique una suplantación de
identidad.
Salidas El sistema deberá retornar los nombres y apellidos del
estudiante si pertenece a la clase, caso contrario manda un
mensaje de estudiante desconocido.
Tabla 38: Requerimiento funcional 005, Registro de asistencia

Código RF_006
Nombre Registrar asistencia
Prioridad Alta
Descripción El sistema debe registrar la asistencia de los estudiantes.
Usuario Usuario final
Entradas • Imágenes del estudiante objetivo mediante la cámara web
en tiempo real.
Proceso Se realiza el registro de asistencia al momento de realizar la
identificación de identidad del estudiante.
Salidas El sistema deberá retornar los nombres y apellidos del
estudiante si pertenece a la clase, caso contrario manda un
mensaje de estudiante no identificado.
80
4.2.3. Análisis técnico y económico
4.2.3.1. Análisis técnico
Actualmente la universidad cuenta con una herramienta llamada Proctorizer
que sirve para la supervisión remota de exámenes para sus evaluaciones
digitales. Su función es eliminar el riesgo de fraudes, exámenes en grupo,
plagio, el uso de internet para buscar las alternativas, entre otras faltas a la
integridad académica, su enfoque es más para exámenes en línea.
A diferencia de esa herramienta, lo nuestro es un sistema de escritorio de

reconocimiento facial enfocado a exámenes presenciales lo cual se cuenta con
equipos que tienen características óptimas para el uso del proyecto propuesto.
A continuación, a detalle los requerimientos para la funcionalidad del

sistema de escritorio de reconocimiento facial.
4.2.3.2. Requerimientos de hardware

En la tabla 39, se muestran los requerimientos de hardware que se
necesitan para el desarrollo del proyecto.
Tabla 39. Requerimientos de hardware

N° EQUIPOS
01 PC con procesador Core i5, Memoria RAM de 8GB,
Almacenamiento de 1TB, SO Windows 10
02 Teclado para que los docentes puedan registrar a sus
estudiantes.
03 Mouse se usará para facilitar el manejo del entorno gráfico
04 Monitor que es el principal dispositivo de salida
05 Laptop con procesador Core i5, Memoria RAM 8GB,
almacenamiento de 1TB, Sistema Operativo Windows 10
06 Cámara web integrada a la pc o laptop
07 Cámara web
81
4.2.3.3. Herramientas para la construcción del modelo de reconocimiento
facial
A continuación, en la tabla 40, se detallan los materiales y herramientas
utilizados para la detección y el reconocimiento facial.
Tabla 40. Herramientas utilizadas en el desarrollo

TIPO HERRAMIENTAS
Algoritmos Haar Cascade, face-recognition
Lenguaje de programación Python, JavaScript
Librerías OpenCV, Numpy, Cmake, dlib, pip
Entorno de desarrollo Node, C#
4.2.3.4. Análisis económico

Para el desarrollo del proyecto se realiza el análisis económico, costo de
personal, costo de desarrollo, costo del software y hardware, este presupuesto
se basa en una implementación piloto del simulador del sistema de escritorio
de reconocimiento facial, los cuales se detallan a continuación:
Para el desarrollo del sistema es necesario contar con dos equipos de
cómputo que tengan los siguientes requerimientos de hardware y software
como mínimo, los cuales se especifican en la tabla 41 y tabla 42.
• Costos de hardware
Tabla 41. Costos de hardware

Equipo Cant. P. unitario Precio total
Laptop o PC con 1 S/. S/. 3,500.00

procesador Core i5, 3,500.00
Memoria RAM de
8GB,
Almacenamiento de
1TB, SO Windows 10
que incluye cámara.
Total S/. 3,500.00
82
• Costos del software
Tabla 42. Costos de software

Software Licencia Costo
Open CV Libre S/. 00.00
MySQL Libre S/. 00.00
Python Libre S/. 00.00
JavaScript Libre S/. 00.00
Windows 10 Libre S/. 00.00
Total S/.00.00
• Costo del personal para el desarrollo
Tabla 43. Costos de personal

Descripción Cantidad Precio
Desarrollador 1 360 horas
Costo por hora 1 S/. 10
Total S/. 3,600.00
• Costos operativos
Tabla 44: Costos operativos

Descripción Cantidad x Costo Costo total
meses
Infraestructura 5 S/. 50.00 S/. 250.00
Mantenimiento 5 S/. 50.00 S/. 250.00
Total S/. 500.00
83
• Costo total del proyecto – piloto
La tabla 45, se hace un resumen del costo total que tendría el proyecto
Piloto.
Tabla 45. Costo total
Hardware S/. 2,500.00
Costo desarrollador S/. 3,600.00
Software S/. 00.00
Costos Operativos S/. 500.00
Total S/. 6,600.00
Entonces, se puede concluir que para el desarrollo del proyecto y poder

cumplir con los objetivos establecidos, se realizó el análisis de tres ítems
altamente importantes que nos dan resultados efectivos y concretos para
determinar dicha viabilidad, se estudió en el caso hipotético.
4.2.4. Viabilidad de la propuesta

4.2.4.1. Viabilidad técnica
Para evaluar la viabilidad técnica de la solución se realiza definición, su
aplicación y las diferencias entre las librerías TensorFlow y OpenCV. En la
tabla 46 se evidencia a detalle esta comparación realizada.
Tabla 46. Tensor Flow vs OpenCV

TensorFlow OpenCV
Una plataforma de código Una biblioteca multiplataforma de
abierto que funciona con código abierto que funciona con
tensores, que es una visión artificial en tiempo real
generalización de vectores.
Está diseñado para soluciones Está diseñado para aumentar la
matemáticas mediante el uso eficiencia computacional de las
de diagramas de flujo de datos. aplicaciones en tiempo real.
Herramienta de aprendizaje Herramienta de procesamiento de
automático imágenes
Coders trabaja en TensorFlow OpenCV, seleccionado por los
para un alto rendimiento desarrolladores para "Computer
Vision".
84
TensorFlow es un marco (base OpenCV es una biblioteca para la
donde se desarrolla el visión por computadora.
software) para la inteligencia
de las máquinas.
Las aplicaciones son Las aplicaciones son
detección de patrones, procesamiento de imágenes,
cerraduras inteligentes, autos detección de rostros,
sin conductor. reconocimiento de gestos.
Admite lenguaje C, C++, Java Admite lenguaje C++ y Python
y Python
Aplicaciones
Aplicaciones basadas en texto, Detección y reconocimiento de
que son casos de uso de redes rostros
neuronales profundas Reconocimiento de gestos
Detección de idioma, correo Detección de imágenes y objetos
electrónico no deseado y Procesamiento de imágenes
detección de amenazas.
El traductor de Google -
aplicaciones basadas en texto.
Tomado y adaptado de Code (48)
La idea primaria del proyecto era desarrollar un sistema de reconocimiento

facial utilizando Tensor Flow, una herramienta muy poderosa y multiusos
basada en machine-learning (49) la cual se encuentra disponible en su
repositorio oficial (50). Por tanto, después de evaluar las alternativas se decidió
usar la biblioteca de OpenCV juntamente con la librería de face recognition que
ayudan en la detección y reconocimiento de rostros. También se puede decir
que el proyecto es viable técnicamente ya que existe documentación y soporte
suficiente respecto a estas librerías, asimismo, existe librerías gratuitas de
código abierto para el reconocimiento facial con OpenCV. Y para implementar
el código Visual Studio 2019, Python y para administrar la base de datos
MySQL. Esto debido que hay más soporte para implantar algoritmos pre
entrenados, debido al tiempo. Además del hardware propio que cumple con los
requisitos mínimos para desarrollar este tipo de proyecto.
El sistema deberá desarrollarse considerando las siguientes restricciones

técnicas de la tabla 47.
85
Tabla 47. Restricciones técnicas
Restricción Área de desarrollo Descripción
Lenguaje de Entrenamiento del Se deberá implementar el
programación - modelo de modelo de reconocimiento
Python reconocimiento facial facial en el lenguaje de
programación Python.
Implementación de la La programación de interfaces
Lenguaje de funcionalidad del y funcionalidades del sistema
programación – sistema. em el lenguaje C# con
C# Implementación de Microsoft visual studio 2019
interfaces de usuario.
Sistema de gestión de El sistema de gestión de base
Servidor de
base de datos - de datos será MySQL, dado
Gestor de Base
MySQL que es muy eficiente,
de datos
permitiendo conexiones
seguras y consultas eficientes.
Api rest – Node JS, Para la programación de la API
Servidor API Api del modelo de se desarrollará en el lenguaje
REST - Nodejs reconocimiento facial JavaScript con el servidor
NODEJS.
Gestión de La planificación del proyecto se
planificación del realizará en el software de
Planificación -
proyecto trello, el cual nos permite tener
Trello
un trabajo eficiente y
controlado.
Editor de lenguaje de La edición de código del
Edición de programación modelo de reconocimiento se
código realizará en el software visual
Code.
4.3. Diseño
Durante esta etapa se busca conseguir una estructura de software que
funcione eficientemente, operando siempre en base a los requerimientos
definidos anteriormente.
4.3.1. Diseño de la arquitectura del sistema

El diseño de la arquitectura se dividirá en dos partes, arquitectura de
software y hardware. Los cuales se explican a continuación.
86
4.3.1.1. Arquitectura del software
Para tener una visión general es muy importante ver la funcionalidad del
modelo de reconocimiento facial a modo general, la solución del problema se
crea en un servicio con NodeJS, para la detección y reconocimiento facial se
realiza usando la librería de face-recognition con el algoritmo Haarcascade, la
interfaz se realiza con visual Basic en el lenguaje de programación C#,
finalmente para la base de datos se usará MySQL WorkBench. En la Figura 31
se observa la arquitectura implementada.
Figura 31. Arquitectura del software
4.3.1.2. Arquitectura del hardware

Para tener una visión de la funcionalidad del sistema es muy importante ver
la arquitectura de hardware donde tenemos una PC para la interacción del
usuario donde se muestra el ejecutable del sistema de escritorio de
reconocimiento facial elaborado con el Net Framework – C#, donde se
comunica con el servidor de Api Rest de NodeJs por el puerto 3000 y para el
reconocimiento se ejecuta el Api de la cámara posteriormente poder hacer la
captura del rostro, lo cual hace la comparación con la base de datos que se
encuentra en nuestro Sistema de Gestión de Base de Datos de MySQL que se
comunica por el puerto 3306. En la Figura 32 se observa la arquitectura de
hardware implementada.
87
Figura 32. Arquitectura del hardware
4.3.2. Herramientas
● Python: es un lenguaje de programación muy usado en aprendizaje
automático y aprendizaje profundo, gracias a Python la librería de OpenCV
es más sencilla de funcionar.
● Django: es un framework para el desarrollo de sitios web de código abierto

seguros y mantenibles.
● Angular: es un framework para JavaScript que sirven para hacer
aplicaciones y páginas web está enfocado en las vistas de las páginas web
(frontend).
● Face-recognition: es un algoritmo que ayuda a reconocer el rostro de una

persona y está basado en características geométricas.
● OpenCV: es una biblioteca que está enfocado en los procesamientos de

imágenes y videos en tiempo real, es de libre visión artificial que es
desarrollado por Intel.
● Base de Datos MySQL: después de tener las imágenes vamos a preparar

una base de datos de individuos que queremos que reconozca nuestro
sistema. La base de datos también es conocida como una colección de
información para una manera rápida de obtener los datos que se necesite.
88
● Cmake: se utilizó esta librería para controlar el proceso de compilación y
administrar.
● Dlib: es una librería que ayuda en la extracción de los puntos del rostro y
extrae 68 puntos aproximados para el reconocimiento facial.
● Numpy: es una librería de funciones matemáticas que ayuda a operar con

vectores y matrices para tener acceso más rápido a la lectura y escritura de
los elementos.
● Node: es un entorno de tiempo de ejecución de JavaScript que no solo es

para JavaScript sino también para Python.
● Pip: es una herramienta útil para administrar e instalar paquetes de Python

de una forma rápida.
● Kanban: es una metodología lo cual te ayuda a desarrollar y gestionar
proyectos con constantes evaluaciones para verificar cómo se está
avanzando el proyecto que es más enfocado a proyectos individuales.
4.3.3. Diseño del reconocimiento facial

Para el reconocimiento facial se debe tener en cuenta los siguientes pasos
que se muestra en la figura 33, el primero se basa en detectar los rostros, luego
se realiza la comparación, para definir los puntos de coincidencia y finalmente
se clasifica.
El sistema de escritorio crea automáticamente un directorio, donde se

almacenan las imágenes clasificadas por nombre del estudiante con el cual se
realiza la comprobación del rostro para después obtener un resultado de la
detección del reconocimiento facial.
89
Figura 33. Pasos para el reconocimiento facial
Tal como se muestra en la figura 33, los pasos que se siguen para realizar
el reconocimiento facial son: Paso 1, encontrar el rostro, paso 2, encontrar los
puntos de referencia, paso 3, aplicación de red neuronal, paso 4,
reconocimiento de la persona.
4.3.4. Diseño de interfaz y navegación

Las interfaces están diseñadas para proporcionar una estructura operativa
eficiente que cumpla consistentemente con los requisitos enumerados en la
tabla 3: que corresponde a los requerimientos funcionales.
El sistema de reconocimiento facial estará compuesto por una interfaz de

login, interfaz de la pantalla principal, interfaz para realizar la captura de rostro
y posteriormente realizar el reconocimiento facial. Los mockups están
elaborados en el software de Balsamiq los cuales se detallan a continuación
4.3.5. Interfaz de login

En la figura 34, login estará compuesto básicamente por una interfaz
sencilla, el cual tendrá dos campos de input para el nombre de usuario y la
contraseña.
90
Figura 34. Mockup de inicio sesión
4.3.6. Pantalla de principal

La pantalla principal del sistema está compuesta por una cabecera, un menú
principal y un pie de página. En la figura 35 se puede evidenciar a detalle.
El logo: en esta sección se encuentra el logo representativo de la

universidad Continental. En la cabecera: en este apartado encontramos el título
del proyecto, en el menú principal se encuentran las funcionalidades
principales del sistema.
Figura 35. Mockup de la pantalla principal
91
4.3.7. Pantalla administrar usuarios
La pantalla administrar usuarios está compuesto por un menú superior,
cuerpo y pie de página. En el menú principal se encuentra opciones básicas,
donde se podrá regresar a la pantalla principal, ver la lista de usuarios y
registrar uno nuevo, en el pie de página se muestra información básica acerca
del sistema. En la figura 36, se evidencia diseño del mockup.
Figura 36. Mockup Pantalla administrar usuarios
4.3.8. Formulario registrar usuario

Para registrar un nuevo usuario al sistema, en donde se realizará el ingreso
de datos como nombre de usuario, contraseña, nombre y apellido. En la figura
37, se plasma el mockup para registrar usuario.
Figura 37. Mockup registrar usuario
92
4.3.9. Pantalla administrar estudiantes
La pantalla administrar estudiantes contiene un menú superior, cuerpo y pie
de página. En el menú superior se encuentra opciones básicas, donde se podrá
regresar a la pantalla principal, ver la lista de estudiantes, registrar estudiante
y realizar el reconocimiento facial, en el pie de página se muestra información
básica acerca del sistema. En la figura 38, se evidencia diseño del mockup.
Figura 38. Mockup pantalla administrar estudiante
4.3.10. Formulario registrar estudiante

Para registrar un nuevo estudiante en el sistema, se realizará el ingreso de
datos, nombre y apellido, para la captura de rostro también es importante
completar estos campos. En la figura 39, se plasma el mockup para registrar
estudiante.
Figura 39. Mockup formulario registrar estudiante
93
4.3.11. Formulario reconocimiento facial
En el formulario de reconocimiento facial, tenemos el menú superior con
opciones de regresar al menú principal y realizar el reconocimiento, en esta
sección se pide dos campos tipo input como son nombre y apellido. Y como
salida se obtiene un label con el nombre del estudiante en caso de halla
coincidencias, caso contrario un label con la descripción de desconocido. En
la figura 40, se plasma el mockup.
Figura 40. Mockup reconocimiento facial
4.3.12. Formulario de asistencia
Figura 41. Mockup registro de asistencia
94
4.3.13. Diseño de la base de datos
El motor de la base de datos que fue elegido fue MySQL workbench, por la
factibilidad y facilidad de entendimiento para ejecutar todo tipo de información.
Para evaluar el algoritmo de reconocimiento facial es necesario una base de
datos por esta razón se realiza el diseño de la base de datos para responder
con las características de la solución propuesta.
En la figura 42, se muestra el esquema de base de datos; el diseño lógico,

donde cuenta con cuatro tablas importantes: tblusuario, tbltipousuario,
tblestudiante y tblasistenciaestudiante.
En la tabla tblusuario se registran datos de los usuarios como nombre de

usuario, contraseña, apellidos, nombres, y tipo de usuario, quienes van a ser
los encargados de manipular el sistema.
En la tabla tbltipousuario se encarga de almacenar al tipo de usuario según

los roles para actualizar, eliminar y registrar. Por otro lado, la tabla tblestudiante
se encuentra diseñada para almacenar nuevos estudiantes con sus
respectivos datos como DNI, nombre, apellido, edad y foto. Finalmente
tenemos a la tabla tblasistenciaestudiante lo cual nos permite obtener una
información relativa de la asistencia del estudiante al momento de realizar el
Figura 42. Diseño lógico
95
Con los requerimientos obtenidos y el diseño desarrollado en la figura 42 del
modelo Entidad relación de la base de datos, se procedió a elaborar la base
de datos en el entorno MySQL Workbench, para almacenar los registros que
se necesitan en la solución del sistema. Esta base de datos está compuesta
por tablas, las cuales se describen a la tabla 48.
Tabla 48. Tablas de la base de datos

ÍTEM NOMBRE DE LA TABLA
01 TblUsuario
02 TblTipoUsuario
03 TblEstudiante
04 TblAsistenciaEstudiante
En la figura 43, se muestra cada campo utilizado en la base de datos.
Figura 43. Tabla de la base de datos
96
CAPÍTULO V
CONSTRUCCIÓN
5.1. Construcción
Para la etapa de construcción, todos los componentes y características se
integran y desarrollan como un solo producto. También se van haciendo
pruebas de validación durante la codificación.
En esta etapa se desarrollan todas las vistas (lógicos, procesos, despliegue

e implementación) de todos los componentes del software, se priorizan los
módulos principales y se desarrollan para obtener una versión funcional del
software de reconocimiento facial.
La etapa de construcción se encuentra dividida en dos etapas:

Modelamiento de la red neuronal artificial y construcción del software, las
cuales se describen a continuación:
5.5.1. Modelamiento de la red neuronal artificial y el Machine Learning

Para el modelamiento de la red neuronal se utilizó el método Haar Cascade
(37), que consta de tres etapas fundamentales: 1) rastrea la imagen en busca
de características Haar que se asemejen a los objetos buscados; 2) utiliza un
clasificador boosting para seleccionar las características más relevantes, y 3)
conecta en cascada los clasificadores, con el objetivo de mejorar los resultados
finales.
97
Figura 44. Núcleos utilizados en Haar Cascade
Tomado y adaptado de Mordvintsev (51)
La Figura 44 ejemplifica los tipos de núcleos manuales utilizados para la

detección de Haar Cascade: la imagen (a) hace referencia a los granos para
identificar las características del borde; la imagen (b) hace referencia a los
granos para identificar las características de línea, y la imagen (c) hace
referencia a los granos como cuatro rectángulos, usados para reconocer
bordes diagonales.
5.5.2. Creando una imagen integral

Una imagen integral es una técnica que ayuda acelerar el cálculo de
operaciones que incluyan la suma del valor de los pixeles de un área. Para
crear la imagen integral hay que reemplazar cada píxel por la suma de todos
pixeles contenidos en un rectángulo cuya esquina superior izquierda es el
vértice 0,0 de la imagen. Y cuya esquina inferior derecha es el propio píxel.
Para entender partimos de una imagen con los siguientes pixeles que se
muestran en la figura 45:
Figura 45. Imagen de entrada – imagen integral

98
La figura 46 muestra que cada píxel en la imagen integral es la suma de
todos los píxeles vecinos que están arriba y a la izquierda de ese píxel, incluido
ese píxel mismo. Con este método podemos calcular fácil y rápidamente
cualquier área de la imagen que queramos.
Figura 46. Imagen de entrada – imagen integral

En la figura 47, se muestra un ejemplo de una imagen integral en posición

(x, y).
Figura 47. Imagen integral en posición (x, y)

La imagen integral en la localización x, y, contiene la suma de los píxeles de

la parte superior izquierda de la imagen y se puede calcular como se indica a
continuación:
Donde II(x,y,) es la imagen integral e Im(x,y) es la imagen original.
99
5.5.3. Extracción de características
En las imágenes, las características de cada objeto son aplicando ciertas
funciones que permiten la representación y descripción de los objetos de
interés en la imagen.
Los filtros con bases Haar, realizan una codificación de diferencia de

intensidades en la imagen, generando características de contornos, puntos y
líneas, mediante la captura de contraste entre regiones como se muestra en la
figura 48.
Figura 48. Filtros Haar rotados, trasladados y con cambios de escala
Figura 49. Convolución del filtro Haar con una imagen integral
En la figura 49, se presenta la convolución de un filtro Haar con la imagen

integral. De esta forma se puede extraer una característica en un tiempo
constante sobre la imagen integral adicionando y sustrayendo los valores de
los vértices para cada rectángulo. La suma de los píxeles que forman el
rectángulo D se puede calcular como:
100
Donde 1, 2, 3, 4, son los valores dados en la imagen integral en dichas
localizaciones.
5.5.4. Escritura de código de red neuronal

El primer módulo que se va a importar es CV2 es opencv, que se utiliza para
llamar la cámara y realizar algún procedimiento. Otro modulo que se va a
importar es face_recognition se usa para realizar el reconocimiento facial y por
último el módulo os que se utiliza para identificar el nombre de la cara que
aparece en la cámara. En la figura 50, se evidencia la importación de estos
módulos.
Figura 50. Importación de módulos cv2, face_recognition y os

Tomada y adaptada de Visual Studio Code
En la figura 51 importamos numpy con un alias np
Figura 51. Importación de módulos numpy, sys y mysql

En la figura 52, añadimos y leemos nuestra imagen con el cv2.imread(), en

el array IMAGES añadiremos cada imagen (rostro).
Figura 52. Carga de imagen

En la figura 53, en las siguientes líneas del código llamamos face_cascade
101
Figura 53. Carga de imagen
A continuación, debemos convertir nuestra imagen a escala de grises

porque las cascadas de Haar solo funcionan en imágenes grises. Entonces,
vamos a detectar rostros, ojos y sonrisas en imágenes en escala de grises,
pero dibujaremos rectángulos alrededor de los rostros detectados en las
imágenes en color.
Para emplear la detección de rostros (y otro objeto) con haar cascade en

OpenCV necesitamos del módulo detectMultiScale. Este nos permitirá
obtener un rectángulo delimitador en donde se encuentre el objeto dentro de
una imagen que se muestra en la figura 54.
Figura 54. Especificaciones del módulo DetectMultiScale en OpenCV

Tomado de Solano (34)
En el primer paso detectaremos la cara. Para extraer las coordenadas de un

rectángulo que vamos a dibujar alrededor de la cara detectada, necesitamos
crear caras de objetos.
En este objeto vamos a almacenar nuestras caras detectadas. Con una

función detectMultiScale() obtendremos una tupla de cuatro elementos: X, Y
son las coordenadas de una esquina superior izquierda, y, w, y, h son el ancho
y la altura del rectángulo. Este método requiere varios argumentos. La primera
102
es la imagen gris, la imagen de entrada en la que detectaremos rostros. El
segundo argumento es el factor de escala que nos dice cuánto se reduce el
tamaño de la imagen en cada escala de imagen. El tercer y último argumento
es el número mínimo de vecinos. Este parámetro especifica cuántos vecinos
debe tener cada rectángulo candidato para conservarlo, el código empleado
usando el módulo detectMultiScale() se muestra en la figura 55.
Figura 55. Argumentos del módulo DetectMultiScale en OpenCV

En la figura 56 podemos evidenciar el resultado de la ejecución de código al

utilizar el módulo DetectMultiScale, donde nos grafica un rectángulo alrededor
del rostro identificado.
Figura 56. Resultado del módulo DetectMultiScale en OpenCV

En la figura 57, es la estructura del directorio donde se guarda las caras. De

forma predeterminada, el nombre de la imagen es el nombre de la persona, lo
que facilita su obtención.
103
Figura 57: Estructura del directorio
Tomada de Solano (34)
La arquitectura capas-neuronas de una red neuronal artificial no es nunca

constante y depende en ocasiones del problema y depende de la cantidad de
personas que se va a identificar es por ello por lo que se implementó usando
el perceptrón simple, para comprobar en tiempo de entrenamiento, ya que al
momento de procesar las imágenes se requiere de gran recurso computacional
y lo que se busca es optimizar el algoritmo al máximo.
5.5.5. Interfaz de inicio de sesión

El inicio de sesión del sistema se realiza de manera tradicional donde se
pide ingresar las credenciales del usuario, ver figura 58. Los resultados
obtenidos en la parte de construcción.
Figura 58. Interfaz inicio de sesión
104
En la figura 58, esta interfaz corresponde para el inicio de sesión del usuario
en el sistema, donde el usuario docente tiene la opción de ingresar su nombre
de usuario y contraseña para acceder. Y en la figura 58 se evidencia la parte
del código del desarrollo.
Figura 59. Código de inicio de sesión -1

Tomada del código de programación en C#
105
Figura 60. Código de inicio de sesión -2
Figura 61: Clase de la tabla usuario

106
5.5.6. Interfaz de la pantalla principal
Figura 62. Menú principal

La figura 62, corresponde a la interfaz del menú principal del sistema donde
se muestran las opciones de navegación, donde se tiene las opciones de
administrar usuario, estudiantes y asistencia.
Figura 63. Código de menú principal

107
5.5.7. Interfaz administrar usuarios
Figura 64: interfaz administrar usuarios

5.5.8. Interfaz registrar usuario
Figura 65. Interfaz registrar usuario

Para registrar un nuevo usuario al sistema, en donde se realizará el ingreso

de datos como nombre de usuario, contraseña, nombre y apellido. En la figura
65, construye la interfaz para registrar usuario.
108
5.5.9. Interfaz administrar estudiantes
Figura 66. Interfaz administrar estudiante, construcción de la interfaz

5.5.10. Formulario registrar estudiante

En la figura 67, se plasma el mockup para registrar estudiante. Y en la figura
68 el código empleado para el desarrollo de la interfaz.
Figura 67. interfaz registrar estudiantes

109
Figura 68. Código del registro estudiantes
5.5.11. Formulario reconocimiento facial

En la figura 69, se realiza la construcción de la interfaz de reconocimiento
facial.
Figura 69. Interfaz de reconocimiento facial

110
Figura 70. Código de reconocimiento facial en C#
Figura 71. Código de reconocimiento facial en JavaScript

En la figura 72, se evidencia las carpetas creadas con el nombre de cada

estudiante.
Figura 72. Creación del DataSet

Figura tomada del escritorio de la elaboración del Dataset
111
5.5.12. Diagrama de clases
Se describen cada una de las clases consideradas en el diagrama respecto
a: nombre, descripción, atributos, métodos y relaciones. Como se muestra en
la figura 73.
Figura 73. Diagrama de clases
Tabla 49. Clase tipo de usuario

Nombre Tipo Usuario
Descripción En esta clase se describe la información de los usuarios que

tendrán acceso al sistema.
Atributos los atributos son: IdUsuario, Nombre, Clave
métodos Se usan métodos de inserción, actualización y eliminación de

registros en la base de datos.
Tabla 50. Clase Usuario

Nombre Usuario
Descripción En esta clase se describe la información de los usuarios que

tendrán acceso al sistema.
Atributos los atributos son: IdUsuario, Nombre, Clave
métodos Se usan métodos de inserción, actualización y eliminación de

registros en la base de datos.
112
Tabla 51.Clase estudiante
Nombre de la Estudiante
clase:
Descripción En esta clase se describe la información de los estudiantes
Atributos atributos son: id, nombre, apellidos, edad, género
métodos insertar, actualizar, eliminar
Tabla 52. Clase asistencia

Nombre de la Asistencia
clase:
Descripción En esta clase se permite recoger información relativa de la

asistencia del estudiante al momento de realizar el reconocimiento
facial.
Atributos atributos: idAsistencia, DniEstudiante, FechaAsistencia
métodos Registrar Asistencia, Mostrar Asistencia
5.5.13. Construcción de la base de datos

La construcción de la base de datos se desarrolló en el sistema de gestión
de base de datos MySQL workbench.
En la siguiente imagen se realiza la creación de la base de datos con el

nombre dbreconocimientofacial, para el funcionamiento respectivo de nuestro
sistema de escritorio de reconocimiento facial.
En la siguiente tabla 53, se crea la tabla el tipo de usuario detalladamente

con la siguiente información: el campo, el tamaño, el tipo de datos y la
descripción de cada campo para el inicio de sesión del sistema.
113
Tabla 53. Descripción de la tabla Tipo de Usuario
Nombre de la tabla: tblTipoUsuario
Campo Tamaño Tipo de dato Descripción
idTipoUsuario Int Clave única de tipo de
usuario
tipoUsuario 100 Varchar Nombre del tipo de usuario
En la tabla 54, se crea la tabla de usuario detalladamente con la siguiente

información: el campo, el tamaño, el tipo de datos y la descripción de cada
campo para el inicio de sesión del sistema.
Tabla 54. Descripción de la tabla Usuario

Nombre de la tabla: tblUsuario
Campo Tamaño Tipo de dato Descripcion
idUsuario Int Clave única del usuario
Usuario 50 Varchar Nombre del tipo de
usuario
Password 80 Varchar Contraseña del usuario
Nombre 100 Varchar Nombre del usuario
apellidoUsuario 100 Varchar Apellido del usuario
RELACION: idTipoUsuario con idTipoUsuario
En la siguiente tabla 55, se crea la tabla estudiante detalladamente con la

siguiente información: el campo, tamaño, el tipo de datos y la descripción de
114
cada campo para el registro de nuevos estudiantes de nuestro sistema para
posterior usar esos datos para el reconocimiento facial.
Tabla 55: Descripción de la tabla Estudiante

Nombre de la tabla: tblEstudiante
idEstudiante Int Clave única de tipo de
usuario
DNI 8 Varchar DNI del estudiante
Nombre 50 Varchar Nombre del estudiante
Apellido 50 Varchar Apellido del estudiante
Edad Int Edad del estudiante
Photo +4 bytes Longblob Imagen del estudiante
En la tabla 56, se crea la tabla asistencia del estudiante detalladamente con

la siguiente información: el campo, tamaño, el tipo de datos y la descripción de
cada campo para el registro de nuevos estudiantes de nuestro sistema con el
resultado del reconocimiento facial.
Tabla 56. Descripción de la tabla Asistencia-Estudiante

Nombre de la tabla: tblAsistenciaEstudiante
idEstudiante Int (fore Clave del estudiante
es por defecto
idEstudianteAsistencia Int (primary Clave del estudiante
key) para la asistencia.
FechaAsistencia DateTime Fecha de asistencia
Relación: idEstudiante con idEstudiante de la tabla
tblEstudiante
115
Una vez concluida la implementación, se realizan las respectivas pruebas y
evaluación de los módulos del sistema.
116
CAPÍTULO VI
PRUEBAS Y RESULTADOS
6.1. Pruebas y resultados

Las pruebas nos ayudan a comprobar que el sistema cumpla con las
necesidades establecidas por el usuario, cumpliendo las garantías de calidad,
Las condiciones de pruebas deben incluir tanto situaciones normales como
anormales. El objetivo de las pruebas es poder encontrar un error para decidir
qué hacer en el momento que ocurre algo que no debe pasar y viceversa, es
decir, un sistema de pruebas está diseñado para detectar errores en los
sistemas de información. Es por ello que en este proyecto se plantea pruebas
para el modelo de reconocimiento facial y pruebas de aceptación del sistema.
6.1.1. Pruebas del modelo de reconocimiento facial

Para entrenar el modelo de reconocimiento facial se hicieron las pruebas
con 05 personas en los siguientes escenarios: sin lentes-con mascarilla, con
lentes-sin mascarilla, sin lentes - sin mascarilla. Estas pruebas se clasifican por
tipo para analizar el porcentaje de reconocimiento de cada una de ellas, de
manera que a través de la aplicación del Deep Learning que cumpla un
porcentaje de precisión aceptable al reconocer e identificar el rostro de los
estudiantes incluyendo en estos casos las restricciones que sean causadas
por la presencia de mascarillas o lentes que reduce los rasgos faciales para un
mejor reconocimiento. Estas pruebas se realizaron con Postman.
117
Postman es una aplicación que nos permite realizar pruebas API, es un
cliente HTTP que nos da la posibilidad de testear “HTTP requests” a través de
una interfaz gráfica de usuario, por medio de la cual obtendremos diferentes
tipos de respuesta que posteriormente deberán validarse. (52)
6.2. Pruebas y resultados del modelo de reconocimiento facial

En esta sección, se muestran la ejecución y resultados de las pruebas
realizadas para evaluar el rendimiento del modelo de reconocimiento facial que
se ha implementado en este proyecto. Cada una de estas pruebas utilizó
distintos escenarios, base de datos con características diferentes para verificar
el funcionamiento del algoritmo frente a diferentes condiciones. El
reconocimiento de cada muestra se observa a continuación de acuerdo con
cada escenario planteado.
6.2.1. Prueba 01: Gladys Samaniego
Escenario 01: con mascarilla - sin lentes
Descripción: El primer caso de prueba es en el escenario de “con

mascarilla - sin lentes”, el estudiante este situado de manera frontal
con una mascarilla, además no hay cambio del entorno de prueba.
Persona: Gladys Samaniego
Porcentaje de Acierto: 0.67 → 67 %
118
Escenario 02: Sin mascarilla - sin lentes
Descripción: En este caso de prueba es en el escenario de “Sin

mascarilla - sin lentes”, el estudiante está situado de manera frontal
sin el uso de mascarilla ni lentes, además no hay cambio del entorno
de prueba. Por ende, el modelo logra identificar al estudiante
mostrando su nombre completo.
119
Escenario 03: Con lentes- sin mascarilla
Descripción: En este caso de prueba se realiza en el escenario de

“Con lentes- sin mascarilla”, es estudiante está situado de forma
frontal haciendo uso de lentes, en este escenario también se obtienen
un resultado aceptable ya que reconoce a la persona.
Porcentaje de Acierto: 0.88 → 78%
120
Escenario 04: Otra Persona - Desconocido
Descripción: Para este escenario se realizo las pruebas con otro

estudiante que no pertence al salon, en este escenario seria el caso
de que se presente una suplantación de identidad. El resultado que
nos muestra es un mensaje de desconocido, con los siguientes
valores:
6.2.2. Prueba 02: Doris Galindo
Descripción: Este caso de prueba es en el escenario de “con

mascarilla - sin lentes”, con un distinto estudiante este situado de
manera frontal con una mascarilla, además no hay cambio del
entorno de prueba
Persona: Doris Galindo
121
Escenario 02: sin mascarilla - sin lentes
Descripción: Esta prueba se hace con un segundo estudiante, en

el escenario “sin mascarilla - sin lentes”, el estudiante se encuentra
de forma frontal
122
Descripción: Se evidencia las pruebas de reconociento facial de la

estudiante Doris Galindo donde tiene puesto lentes.
123
Escenario 04: Otra persona - Desconocido
Descripción: En este escenario la estudiante Gladys Samaniego

trata de suplantar la identidad de la estudiante Doris, sin embargo el
modelo muestra como descnocido.
Escenario 04: Otra persona - Desconocido
6.2.3. Prueba 03: Sandy Huaringa
Descripción: Se puede evidenciar a la estudiante Sandy Huaringa

puesto una mascarilla por el contexto en el que nos encontramos.
El algoritmo logra reconocer a la persona mostrando el nombre
completo
Persona: Sandy Huaringa
124
Descripción: Para este escenario el estudiante se encuentra de

manera frontal sin lentes ni mascarilla.
Porcentaje de acierto: 0.90→ 90 %
125
Descripción: Para este escenario el estudiante se encuentra de

manera frontal y puesto lentes, para este caso tambien el modelo
logra realizar el reconocimiento.
Porcentaje de acierto: 0.76 → 76%
Escenario 04: Otras personas - Desconocidos
Descripción: Para este escenario se realizo la prueba con dos

estudiantes al mismo tiempo y no se reconoce a ninguno de los dos.
126
6.2.4. Prueba 04: Joel Cuadros
Descripción: Esta prueba se realizo a un estudiante con una

mascarilla, impidiendo reconocer las caracterisiticas de su rostro,
sin embargo el modelo logra realizar el reconocimiento
Persona: Joel Cuadros
127
Descripcion: Se realiza el reconocimiento con la misma persona,

en este escenario sin la presencia de la mascarilla.
Porcentaje de acierto: 0.88 → 88 %
Descripcion: Para este caso de prueba el estudiante se encuentra

de maera forntla con la presencia de lentes.
128
6.2.5. Prueba 05: Jorge Bizarro
Descripcion: Se puede evidenciar el estudiante Jorge Bizarro se

encuentra puesto una mascarilla por el contexto en el que nos
encontramos. El algoritmo logra reconocer a la persona mostrando
el nombre completo en la pantalla.
Persona: Jorge Bizarro
129
Descripcion: Se realiza el reconocimiento con el estudiante Jorge, en

este escenario sin la presencia de la mascarilla. Y el modelo obtiene
un mayor porcentaje de acierto.
130
Descripcion: Para este caso se evidencia al estudiante de forma frontal

puestos lentes y cerrados los ojos, al mismo tiempo no esta en el centro
de la camara.
Porcentaje de acierto: 0.75 → 75%
6.2.6. Resultados
Como resultado de las 05 pruebas que se usaron como muestras en
diferentes escenarios, se obtuvo una identificación correcta según la
131
clasificación de estos casos como se muestra en la tabla 57, y al realizarse
pruebas con personas no registradas se identifican como desconocidas.
Tabla 57. Resultados de las pruebas

Escenarios Escenario 01 Escenario 0 Escenario 03
Pruebas % con mascarilla % con lentes % sin oclusión
Prueba 01: Gladys Samaniego 0,67 67% 0,78 78% 0,89 89%
Prueba 02: Doris Galindo 0,65 65% 0,82 82% 0,88 88%
Prueba 03: Sandy Huaringa 0,68 68% 0,76 76% 0,90 90%
Prueba 04: Joel Cuadros 0,72 72% 0,77 77% 0,88 88%
Prueba 05: Jorge Bizarro 0,64 64% 0,75 75% 0,89 89%
6.2.7. Pruebas de software

Las pruebas de software es un proceso de ejecución de un programa bajo
condiciones de control y evaluación, registrando los resultados con la intención
de descubrir un error. (53) Las pruebas pueden hacerse a diferentes niveles
dependiendo del objetivo, en este caso para medir la aceptación del software
se realizarán pruebas de aceptación.
6.2.8. Pruebas de aceptación

Para evaluar el software se realizaron pruebas de aceptación que están
dirigidas a validar que el sistema cumple con los requisitos de funcionamiento
esperado y satisface las necesidades del usuario.
Las pruebas de aceptación también involucran pruebas de desempeño, de

stress, de seguridad, pruebas para los datos persistentes, haciendo en este
caso pruebas de frecuencia de uso, restricciones de acceso, restricciones de
integridad, requisitos de guarda y retenci6n de datos, entre otras. A este nivel
de pruebas se rectifican atributos de calidad como confiabilidad, usabilidad,
portabilidad, etc. A continuaci6n se describe un flujo de trabajo para la
realizaci6n de pruebas de aceptaci6n del cliente para un software de gesti6n
dirigido y diseñado por Una empresa certificadora de calidad.
132
6.2.9. Plan de pruebas de aceptación
Este documento nos sirve para definir las pruebas del sistema, también nos
ayuda a efectuar una trazabilidad entre los requisitos y el sistema, validando
de esta forma las necesidades del usuario.
Tabla 58. Plan de pruebas de aceptación

ID Área Funcional Descripción Resultado Esperado ESTADO
Inicio de sesión con Ejecutado

Acceso a los módulos
PA01 Inicio de sesión usuario y
del sistema
contraseña.
El docente puede El administrador y Ejecutado
Registro de registrar a un nuevo docente visualiza la lista
PA02
estudiante estudiante con sus de registros de
datos estudiantes
Haciendo uso de la Ejecutado
Se guarda el rostro
Captura de cámara web se
PA03 capturado en la base de
rostro realiza la captura de
datos.
rostro
Captura de
cámara web se
rostro de un Se muestra la imagen
PA04 realiza la captura de
estudiante con registrada.
rostro con más con
lentes
lentes
Captura de
cámara web se
rostro de un Se muestra la imagen
PA05 realiza la captura de
estudiante con registrada.
rostro con
mascarilla
mascarilla.
El reconocimiento Muestra los datos del Ejecutado
facial se realiza en estudiante, caso
Reconocimiento
PA06 tiempo real contrario muestra un
Facial
activando la cámara mensaje de
web. desconocido.
Mediante el Ejecutado
Registro de reconocimiento Se registra la asistencia
PA07
asistencia facial se registra la de los estudiantes
asistencia
133
6.2.10. Ejecución de resultados
Una vez concluida la implementación se pasa a realizar la ejecución del plan
de pruebas de la tabla 59. Para probar cada módulo del sistema, se identifica
el caso de prueba, un responsable de la ejecución, las precondiciones, el
propósito y el escenario en el que se ejecutaran las pruebas.
Tabla 59: Ejecución del plan de pruebas

Caso de Prueba PA01 - Inicio de sesión
Responsable Sandy Huaringa
• El usuario debe tener instalada el software de reconocimiento
facial en su PC o laptop en el cual realizara la prueba.
Precondiciones
• El usuario debe estar registrado en el software.
• El usuario debe tener “nombre de usuario” y “contraseña”
Propósito / Probar el inicio de sesión en el software de reconocimiento facial
Descripción de manera exitosa.
Escenario Inicio de Sesión Exitoso.
Al presionar el botón “INGRESAR” permite el Acceso al menú
Resultado Esperado
principal del sistema de reconocimiento facial.
134
Actividades:
01. El usuario administrador completa los campos de “usuario” y “contraseña”.
02. Presiona el botón ingresar.
03. Ingreso al Menú principal del sistema.
PASO 1 PASO 2 PASO 3
RESULTADO: ACEPTADO
Datos: Usuario: Administrador, Contraseña: Administrador123
Tabla 60. Caso de prueba - Registrar estudiante

Caso de Prueba PA02 – Registrar Estudiante
• El usuario debe estar logueado en el sistema
Precondiciones • El usuario debe tener permiso para crear un nuevo
estudiante.
Propósito /
Probar el registro de estudiante de manera correcta en el sistema.
Descripción
Escenario Registro de Estudiante de manera correcta y exitoso
El administrador visualiza en la base de datos el nuevo estudiante
registrado.
Resultado esperado
El docente visualiza en el sistema la lista de estudiantes con el
nuevo estudiante registrado.
Actividades:
135
PASO 1 PASO 2
RESULTADO:
01. El usuario administrador Selecciona la opción de “Estudiantes” en el menú principal.

02. Elige de la barra de menú la opción “Registrar Estudiante”
03. Rellena los datos de “DNI”, “Nombres” y “Apellidos”
Datos de prueba: DNI: 71876465, Nombres: DORIS; Apellido: GALINDO
Tabla 61. Caso de prueba - Capturar rostro

Caso de Prueba PA03 – Capturar Rostro
Precondiciones • El estudiante debe ingresar sus datos
• Posición frontal del estudiante
Propósito Probar la captura de rostro de un estudiante en el sistema.
136
Haciendo uso de la cámara web se realiza la captura de rostro,
Escenario
sin ninguna oclusión.
Captura de Imagen de estudiante Doris Galindo.
Resultado esperado la imagen capturada se almacena en directorio DataSet con el
nombre de (Doris Galindo).
PASO 1 PASO 2
RESULTADO: en el directorio se almacenan los rostros capturados
Estructura Del
Directorio De
Almacenamiento
De Rostros.
Actividades:
01. El usuario selecciona la opción de capturar rostro.
02. Muestra un mensaje de “presiona ENTER para captura la imagen”.
03. Inicio de la cámara con un tiempo de 10 segundos
04. Se realiza 3 capturas mínimas del rostro
137
Tabla 62. Caso de prueba - Capturar rostro con lentes
Caso de Prueba PA04 – Capturar Rostro Con lentes
Responsable Doris Galindo
• Posición frontal del estudiante usando lentes
Probar la captura de rostro de un estudiante con lentes en el
Propósito
sistema.
Escenario
con la presencia de lentes.
Captura de Imagen de estudiante Sandy Huaringa.
Resultado esperado La imagen capturada se almacena en el mismo directorio DataSet
con el nombre de (Sandy Huaringa).
Actividades:
04. Se realiza 3 capturas mínimas con la presencia de lentes en el rostro.
138
PASO 1 PASO 2
RESULTADO: En el directorio creado con nombre y apellido del estudiante, para este
caso (Sandy Huaringa) se almacena las imágenes capturadas.
Estructura Del
Directorio De
Almacenamiento
De Rostros.
Tabla 63. Caso de prueba - Capturar rostro con lentes

Caso de Prueba PA05– Captura de Rostro con Mascarilla
Responsable Doris Galindo
• Posición frontal del estudiante usando mascarilla
Probar la captura de rostro de un estudiante con mascarilla en
Propósito
el sistema.
Escenario
con la presencia de mascarilla.
Captura de Imagen de estudiante Sandy Huaringa.
Resultado esperado La imagen capturada se almacena en el mismo directorio
DataSet con el nombre de (Sandy Huaringa).
Actividades:
139
PASO 1 PASO 2
RESULTADO: en el directorio se almacenan los rostros capturados

08. Se realiza 3 capturas mínimas del rostro
Tabla 64. Caso de prueba realizar reconocimiento

Caso de Prueba PA06 – Realizar Reconocimiento
• El estudiante debe ingresar sus datos
Precondiciones • Ambiente iluminado
• Posición de forma frontal
Propósito Probar el reconocimiento facial de estudiante
Haciendo uso de la cámara web se realiza el reconocimiento
Escenario
facial de la estudiante Doris Galindo
140
Reconocimiento facial de estudiante Doris Galindo.
Resultado esperado la imagen capturada se almacena en directorio DataSet con el
nombre de (Doris Galindo).
Actividades:
01. El usuario elige el menú “Realizar reconocimiento facial”
02. El usuario debe completar los campos “nombre” y “apellido”. Al presionar el botón de
03. Muestra un mensaje de “El reconocimiento empezara en segundos”.
PASO 1 PASO 2
RESULTADO: Estudiante identificado “ Galindo Doris”
04. Activación de la cámara en tiempo real.

05. Muestra el nombre completo del estudiante en un label.
Tabla 65. Caso de prueba – Registrar asistencia

Caso de Prueba PA07 – Registrar Asistencia
• El estudiante debe ingresar sus datos
Precondiciones • Ambiente iluminado
• Posición de forma frontal
Propósito Probar el reconocimiento facial de estudiante
Haciendo uso de la cámara web se realiza el reconocimiento
Escenario
facial de la estudiante Gladys Samaniego
141
al momento de realizar la identificación del estudiante mediante
Resultado esperado el reconocimiento facial se registra la asistencia de forma
automática en el sistema
Actividades:
01. El usuario elige el menú “Realizar reconocimiento facial”
02. El usuario debe completar los campos “nombre” y “apellido”. Al presionar el botón de
PASO 1
RESULTADO: Asistencia de estudiante registrado en la base de datos
03. Muestra un mensaje de “El reconocimiento empezara en segundos”.
04. Activación de la cámara en tiempo real.
05. Muestra el nombre completo del estudiante en un label.
06. Se registra la asistencia al momento de realizar el reconocimiento.
6.2.11. Aplicación de la matriz de confusión

Para evaluar el modelo de reconocimiento facial vamos a aplicar las
métricas que se muestran en la figura 74, los cuales son: exactitud (“Acurracy”),
Sensibilidad y Especificidad (Recall) y Precisión.
142
Figura 74. Matriz de confusión
Tomada de Zelada (54)
6.2.12. Aplicación de las métricas de evaluación

Tenemos los siguientes valores que nos dan como resultado la siguiente
matriz de confusión:
0 Doris | 1 Gladys
Valor Real:
Valor Predicho:
Figura 75. Aplicación de la matriz de confusión

Tomada y adaptada de TechTarget (33)
143
Figura 76. Valores de la matriz de confusión
La figura 75 y figura 76, muestran los valores que se obtienen en la matriz a

partir de los valores reales y predichos por el modelo. Ahora se hallan las
métricas utilizando las fórmulas que se muestran en la figura 77.
Figura 77. Formulas para calcular las métricas de la matriz de confusión

• Exactitud (Accuracy): De todas las clases cuantas se predijeron

correctamente.
𝑉𝑃 + 𝑉𝑁 18 + 10 28
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = = = = 0.903 = 90%
𝑡𝑜𝑡𝑎𝑙 18 + 2 + 10 + 1 31
144
• Precisión: de todos los positivos que se han predicho con corrección
cuantas son realmente positivas.
𝑉𝑃 18 18
𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 = = = = 0.90 = 90%
𝑉𝑃 + 𝐹𝑃 18 + 2 20
• Recall: De todas las clases positivas cuantas se predijo correctamente.

𝑉𝑃 18 18
𝑅𝑒𝑐𝑎𝑙𝑙 = = = = 0.94 = 94%
𝑉𝑃 + 𝐹𝑁 18 + 1 19
6.3. Discusión de resultados

Como objetivo se consideró identificar la suplantación de identidad de los
estudiantes en los exámenes finales de la modalidad presencial en la
universidad Continental de la ciudad de la Huancayo mediante el
reconocimiento facial. Para desarrollar el reconocimiento facial se consideró 4
pasos, encontrar el rostro a identificar, los puntos referencia, las mediciones y
finalmente reconocer el rostro objetivo y lo cual se trabajó con el algoritmo
Face-recognition que ayuda a reconocer el rostro de una persona.
De los resultados obtenidos en la investigación, se puede deducir que

aplicando el reconocimiento facial con el algoritmo Face-recognition se puede
reducir la suplantación de identidad de estudiantes en los exámenes finales,
esto concuerda con los resultados obtenidos en el antecedente internacional
de la investigación “Desarrollo de un sistema de control de acceso de personal
empleando el reconocimiento facial con técnicas de aprendizaje profundo”, (4)
ya que con la ayuda de 2 algoritmos MTCNN, modelo pre entrenado Facenet
para la precisión y el algoritmo de la vida (anti-plagio) para detectar la imitación
del rostro y evitar la vulnerabilidad al momento reconocer la fotografía, se
demuestra que el reconocimiento facial arroja un rendimiento elevado en
cuanto a la identificación facial con una cercanía al 100% cargada con tan solo
2 fotografías por cada usuario registrado.
A partir de los hallazgos encontrados con respecto al primer objetivo
específico aceptamos el proceso de clasificación en machine learning y el
reconocimiento de imágenes, donde se utilizó la biblioteca de OpenCV y la
librería de Face-recognition que está construido con técnicas de aprendizaje
145
profundo para el reconocimiento de los rostros y para la extracción de
características se utilizó una red neuronal convolucional profunda con una
precisión de 99,38%. Estos resultados guardan relación con el antecedente
internacional de la investigación “Reconocimiento facial basado en redes
neuronales convolucionales” quienes señalan de como implementaron su
sistema de reconocimiento facial haciendo uso de las redes neuronales
artificiales y como realizaron su evaluación para su respectivo funcionamiento,
ello es acorde con lo que en este estudio se halla.
Pero, en lo que no concuerda el estudio del antecedente referido con el

presente es que no usamos algunas librerías como el Tensor Flow y Keras.
Donde su modelo consta de la primera convolución con una matriz de 94 x 94
y como resultados obtienen el modelo FaceNet. Y en nuestra investigación se
implementó el algoritmo dentro de en un sistema de escritorio desarrollado
utilizando el lenguaje de programación C# a diferencia de otras investigaciones
anteriores presentadas en el antecedente nacional (46) que solo probaron el
algoritmo mas no integraron este modelo a ningún otro sistema.
Por otro lado, la investigación también consideró evaluar el modelo de

reconocimiento facial mediante la aplicación de la matriz de confusión. La
intención de evaluar el modelo a través de la matriz de confusión utilizando las
métricas como exactitud (“accuracy”), sensibilidad (“recall”) y precisión
(“precisión”), en la identificación de los alumnos en los exámenes finales de la
Universidad Continental de la ciudad de Huancayo. El algoritmo evaluado es
el de EigenFace, donde se obtuvo un porcentaje de exactitud de 0.9 (90 %) de
igual manera en la precisión un 0.9 con respecto a la especificidad se obtuvo
un 0.94. Esto resultados tienen concordancia con lo hallado en el antecedente
internacional “Evaluación de algoritmos aplicados a la extracción de
características para el reconocimiento facial en base a la ISO/IEC 25010” en
donde, (8) obtuvieron un porcentaje muy similar de 95% en el algoritmo. Del
mismo modo que, en el antecedente nacional “Redes neuronales artificiales de
aprendizaje profundo para el reconocimiento facial y control de acceso de
estudiantes a un laboratorio” (9) los resultados que obtuvieron de los
experimentos para las 70 pruebas realizadas demuestran que el sistema de
146
reconocimiento facial arroja un elevado rendimiento en cuanto a identificación
facial se refiere, con valores aproximados al 97 % y además esto se logró con
tan solo 2 fotos por cada usuario registrado. También en otro antecedente
Internacional “Sistema de reconocimiento facial con redes neuronales para la
toma de asistencia en aulas de clase“ (7) obtuvieron resultados positivos al
hacer uso del modelo para detectar a los estudiantes y al profesor, el sistema
detectó a los 9 estudiantes y al profesor, todos con una precisión superior al
89 %.
Con respecto a la funcionalidad se usaron pruebas de eficiencia, donde se

establecieron diversos escenarios presentando oclusiones como lentes y
mascarillas, donde se obtuvo mayor precisión de 0.89 sin la presencia de
oclusiones, siendo muy semejante al que obtuvieron (46) en el antecedente
nacional en su artículo científico “Aplicación del deep learning para el
pandemia COVID 2021” estos autores obtuvieron un porcentaje de 82.5 %. Así
mismo la precisión de reconocimiento con lentes tiene un 78 %, y con la
presencia de mascarilla un 67 %, mientras que (46) obtuvieron una precisión
de 71 %, siendo estos resultados muy similares al que obtuvimos en nuestra
investigación.
147
CONCLUSIONES
1. En esta tesis se desarrolló el sistema de escritorio para el reconocimiento

facial en la identificación de los alumnos en los exámenes finales de la
universidad Continental de la ciudad de Huancayo con la finalidad de reducir
la suplantación de identidad. Este sistema se desarrolló utilizando la
metodología Kanban que nos ayudó a gestionar el equipo y poder visualizar
el flujo del trabajo y la carga de trabajo.
2. Para el entrenamiento del modelo se aplicó el proceso típico de clasificación

en máquinas de aprendizaje (machine learning) en identificación de los
alumnos en los exámenes finales de la universidad Continental de la ciudad
de Huancayo, que permite poner el funcionamiento del registro y
reconocimiento de los estudiantes, con una muestra de 5 personas cada
uno con 50 fotografías en diferentes escenarios teniendo un total de 300
fotografías para el entrenamiento del modelo.
3. En el reconocimiento facial se utilizó la librería Face recongnition y para

evaluar este modelo se utilizó la matriz de confusión con dos personas
donde se le da una etiqueta a cada uno de estos, finalmente se obtuvo un
90 % de exactitud y precisión y un 93 % de sensibilidad.
4. De acuerdo con el análisis en base a los resultados con la aplicación de la

matriz de confusión, se concluyó que la elaboración del sistema de
reconocimiento facial es exacto y preciso con un porcentaje del 93 % con el
148
RECOMENDACIONES
1. Para trabajo futuros se recomienda actualmente trabajar en el desarrollo del

proyecto de software ya sea de escritorio y web utilizar metodologías agiles
como Scrum o Kanban. Ya que estas metodologías nos ayudan a gestionar
de manera mucho más eficientes el proyecto y agilizar los trabajos.
2. Se sugiere realizar más pruebas con una mayor cantidad estudiantes para
tener una mayor precisión en el reconocimiento facial, ya que las pruebas
que se hizo fueron con una muestra pequeña de 5 estudiantes.
3. Se sugiere a la universidad hacer una evaluación de cuanto se puede reducir

la suplantación de identidad implementando el sistema de escritorio del
4. Se recomienda realizar una comparación del algoritmo EigenFace con otros

algoritmos de reconocimiento facial, para identificar cuál de ellos es más
exacto y preciso.
149
REFERENCIAS BIBLIOGRÁFICAS
1. VALORA ANALITIK. Valora Analitik. [En línea] 20 de Agosto de 2021.
https://www.valoraanalitik.com/2021/08/20/colombia-cuarto-en-america-
mas-amenazado-por-robo-de-identidad/#:~:text=El%20robo%20de%20
identidad%20se,en%20todo%20el%20continente%20americano..
2. PERU: Ciberdelitos en el Perú: se elevan denuncias de fraude informático

y suplantación de identidad. [en línea]. Diario Oficial El Peruano, Lima 02
de julio 2021. (En sección: Ciencia y Tecnología) [fecha de consulta: 18 de
enero de 2022] https://elperuano.pe/noticia/121876-ciberdelitos-en-el-
peru-se-elevan-denuncias-de-fraude-informatico-y-suplantacion-de-
identidad
3. ROCHE, Julio. Kanban vs. Scrum, ¿tendremos un ganador? deloitte. [En

línea] 2021. [Citado el: 12 de enero de 2022.]
https://www2.deloitte.com/es/es/pages/technology/articles/kanban-vs-
scrum.html..html.
4. MUÑOZ, Edison. Desarrollo de un sistema de control de acceso de

personal empleando reconocimiento facial respaldado con técnicas de
aprendizaje profundo. Tesis ( Título de Ingeniero en Electrónica,
Automatización y Control). Ecuador: Universidad de las Fuerzas Armadas
- Innovación para la Excelencia, 189 pp.
5. ILDEFONSO, Silva. Reconocimiento facial basado en redes neuronales

convolucionales. Tesis (Grado en Ingeniería de las Tecnologías de
Telecomunicación). España: Universidad de Sevilla, 2018, 77pp.
6. SÁNCHEZ, William, SIGUA, Edisson y VALLADARES, David.

Reconocimiento facial en video usando Deep. Universidad de Cuenca, ,
Ecuador. Febrero , 2019 1- 8.
7. JURADO, Miguel y PADILLA, Andrés. Sistema de reconocimiento facial

con redes neuronales para la toma de asistencia en aulas de clase. Tesis
150
(Título de Ingeniero de Sistemas). Colombia: Universidad Autonoma de
Bucaramanga, 2018, 67pp.
8. SÁNCHEZ, Menghy. Evaluación de algoritmos aplicados a la extracción de

características para el reconocimiento facial en base a la ISO/IEC 25010.
facial con redes neuronales para la toma de asistencia en aulas de clase.
Tesis (Título de Ingeniero de Sistemas y Computación). Ecuador: Pontifica
Universidad Cátolica del Ecuador, 2021,82pp.
9. CAYLLAHUA, Nestor y SUÁREZ, Juan. Redes neuronales de aprendizaje

profundo para el reconocimiento facial y control de accesode estudiantes
a un laboratorio. Tesis (Título de Ingeniero Electrónico).Lima: Universidad
Ricardo Palma, 2019, 68pp.
10. MUCHA, Elias, y otros. Aplicación del deep learning para el reconocimiento
facial con la presencia de oclusiones en el contexto de la pandemia COVID
2021. Revista ECIPerú. Julio - 2021, 18(1), 17-24.
11. PEREIRA, Alexandre, DONADON, Thiago y OLIVEIRA, Fabio. Aplicación

de inteligencia artificial para monitorear el uso de mascarillas de
protección. Revista Científica General José María Córdova. Diciembre
2020, 19(33), 205-222.
12. VELARDE, Ingrid y YABARRENA, Josue. Sistema de reconocimiento

facial para el control de la trata de personas en Perú. Tesis (Título de
Ingeniero de Sistemas). Cusco : Universidad Andina del Cusco, 2018.
13. MEZA, Alain y RAMOS, Maria. Sistema Inteligente Basado en Redes

Neuronales para mejorar la identificación de rostros de delincuentes en el
distrito de Laredo. Escuela academico - profesional de informatica. Tesis
(Título de Ingeniero de Sistemas). Trujillo:Universidad Cesar Vallejo, 2018,
113 pp.
151
14. MARTÍNEZ, Ricard. Técnologia de verificacion de identidad y control en
examenes online. [En línea] 30 de Septiembre de 2020.
https://doi.org/10.1344/REYD2020.22.32357.
15. HERNANDEZ, Daniel. La suplantación de identidad cibernética en

Ecuador. [en línea] Bogotá : Universidad Externado de Colombia, 2019.,
2019 [Fecha consulta : 10 de enero 2022].
https://bdigital.uexternado.edu.co/handle/001/1822
16. CÓRDOVA, Norman. UNFV: Policía detiene a 11 falsos postulantes en

examen de admisión. [En línea] Andina, 8 de Abril de 2019. [Citado el: 3
de Marzo de 2022.] https://andina.pe/agencia/noticia-unfv-policia-detiene-
a-11-falsos-postulantes-examen-admision-747877.aspx.
17. ROUHIAINEN, Lasse. Inteligencia artificial: 101 cosas que debes saber
hoy sobre nuestro futuro. Barcelona : © Editorial Planeta, S.A., 2018, 2018.
978-84-17568-08-5.
18. ESCOLANO, Francisco, y otros. Inteligencia artificial: modelos, técnicas y

áreas de aplicacion. España : International Thomson Spain, 2003. ISBN:
8497321839.
19. BENÍTEZ, Raúl, y otros. Inteligencia Artificial avanzada. Barcelona :

Editorial UOC, 2014. ISBN: 9788490643211.
20. BODEN, Margaret A. Inteligencia artificial. Madrid : Turner Publicaciones,

2016. ISBN: 9788416714223.
21. ARTIFICIAL INTELLIGENCE - Q&A with Sebastian. s.l. : Udacity,

YouTube, 13 de junio de 2017.
22. GERSHGORN, Dave. The Quartz guide to artificial intelligence: What is it,
why is it important, and should we be afraid? QUARTZ. 10 de setiembre de
2017.
152
23. KDnuggets. Machine Learning Key Terms, Explained. 2017.
24. LLERENA, José, y LA MADRID, Antonio. Guía de estandarización con

especificaciones técnicas de las cámaras de video vigilancia, ubicación y
posicionamiento para enfrentar la ineficaz identificación facial en la sección
de reconocimiento facial digitalizado de la DIRCRI-PNP de Lima
Metropolita.Tesis (Magíster en Gobierno y Políticas Públicas). Lima :
Pontificia Universidad Católica del Perú, 2021, 125 pp.
25. EQUIPO BEEDIGITAL. BeeDIGITAL. [En línea] 29 de 10 de 2019.

https://www.beedigital.es/tendencias-digitales/historia-y-evolucion-del-
reconocimiento-facial/#:~:text=Los%20inicios%20del%20reconocimiento
%20facial,trav%C3%A9s%20de%20la%20tabla%20RAND.
26. AO KASPERSKY LAB. Kaspersky. [En línea] AO Kaspersky Lab, 2022.

https://latam.kaspersky.com/resource-center/definitions/what-is-facial-
recognition.
27. IBM CLOUD EDUCATION. IBM. [En línea] 17 de Agosto de 2020. [Citado
el: 19 de enero de 2022.] https://www.ibm.com/pe-es/cloud/learn/neural-
networks.
28. CALVO, Diego. Red Neuronal Convolucional CNN. 2017.
29. SOLUTIONS, DATA. Deep Learning, redes neuronales y visión artificial.

2021.
30. CARCHENILLA. Una introducción práctica al Deep Learning. [En línea] 27

de junio de 2016. [Citado el: 19 de enero de 2022.]
https://carchenilla.wordpress.com/2016/06/27/80/
153
31. NARAG, Jitin. Facial Recognition: leverage the power of tech in your
industry. [En línea] 26 de noviembre de 2019. [Citado el: 19 de enero de
2022.] https://www.techaheadcorp.com/blog/facial-recognition/
32. PEREZ, Manuel. El Algoritmo: La otra cara de Leviatán (Spanish Edition).

Kindle Edition. B088TXQS3N : Edición Kindle, 2020. pág. 207.
33. TECHTARGET, Colaborador de. computerweekly. computerweekly. [En

línea] 01 de enero de 2017. [Citado el: 12 de Febrero de 2022.]
https://www.computerweekly.com/es/definicion/Aprendizaje-automatico-
machine-learning.
34. SOLANO, Gabriela. OMES. [En línea] 21 de ENERO de 2020. [Citado el:
15 de Febrero de 2022.] https://omes-va.com/deteccion-de-rostros-con-
haar-cascades-python-opencv/.
35. NOTICIAS NEUROMARKETING. [En línea] 15 de noviembre de 2021.

[Citado el: 10 de Febrero de 2022.] https://neuromarketing.la/2016/12/los-
analisis-expresion-facial-funcionan/#:~:text=Las%20expresiones%20
faciales%20son%20los,relaci%C3%B3n%20directa%20con%20las%20e
mociones.
36. TECHVIDVAN. Real-time Face Recognition with Python & OpenCV -

TechVidvan. 2020.
37. VIOLA, Paul y JONES, Michael. Rapid object detection using a boosted
cascade of simple features. Proceedings of the 2001 IEEE Computer
Society Conference on Computer Vision and Pattern Recognition, 2001,
1-9.
38. JIMÉNEZ, Fernando. Formados para formar. s.l. : Editorial Cultiva Libros
S.L., 2014. ISBN: 8416162271.
154
39. MIRANDA, Miguel. La imagen digital. Gen [online]. 2009, vol.63, 2 [citado
6 d enero 20222], pp.134-136. <http://ve.scielo.org/scielo.php?script=sci
_arttext&pid=S0016-35032009000200016&lng=es&nrm=iso>. ISSN 0016-
3503.
40. ORACLE. Oracle. [En línea] IA—Inteligencia artificial, 02 de Marzo de

2020. [Citado el: 14 de Febrero de 2022.]
https://www.oracle.com/mx/artificial-intelligence/what-is-ai/.
41. RUSSELL, Stuart J. y Norvig, Peter. Inteligencia Artificial: Un enfoque

Moderno. Madrid : Pearson Educcacion, 2004. pág. 1240. Segunda
Ediciòn. 84-205-4003-X.
42. MEJDA, ChihaouI, y otros. A Survey of 2D Face Recognition Techniques.

s.l. : Yevgeniya Kovalchuk, 2016.
43. ESQUEDA, Josè Jaime y Palafox Maestre, Luis Enrique. No hay ningún
eBook disponible. California : UABC. 9707350164.
44. MUJICA, Iván, TORIBIO, Luz y CÓNDOR, Daniel F.Inteligencia artificial

como apoyo a intervenciones no farmacológicas para combatir la COVID-
19. Revista Peruana de Medicina Experimental y Salud Pública.2020, 37.
ISSN: 1726-4642/1726-4634.
45. KASPERSKY. Kaspersky. [En línea] 13 de 02 de 2020. [Citado el: 19 de

febrero de 2022.] https://latam.kaspersky.com/resource-
center/definitions/what-is-facial-recognition. 03.
46. ELÍAS, Jemima, y otros. Aplicación del deep learning para el

pandemia covid 2021. Revista ECIPerú.Julio-2021. 8(1),1-8.
https://doi.org/10.33017/RevECIPeru2021.0002/.
155
47. XERIDIA. [En línea] 01 de septiembre de 2019. [Citado el: 12 de diciembre
de 2021.]
48. CODE, Drastic. Drastic Code. [En línea] 2018.

https://drasticcode.com/face-recognition-opencv-or-tensorflow/.
49. Python: Tensorflow on Windows 10 in PyCharm, 2017 [video de youtube]

Melisa, Dale.(10 de abril 2017) [Citado el: 12 de diciembre de 2021.]
https://www.youtube.com/watch?v=83vR1Nz3dHA
50. TensorFlow. 2018. [En línea]30 de marzo de 2018. [Citado el: 12 de

diciembre de 2021.] https://blog.tensorflow.org/2018/03/highlights-from-
tensorflow-developer-summit-2018.html
51. MORDVINTSEV. Face detection using Haar cascades. OpenCV-Python

Tutorials. [En línea] 2013. [Citado el: 25 de marzo de 2022.]
https://bit.ly/3bM9aKX.
52. ROMERO, Gustavo. Encora. [En línea] 29 de junio de 2021. [Citado el: 20
de enero de 2022.] https://www.encora.com/es/blog/como-realizar-
pruebas-automatizadas-con-postman.
53. FERNÁNDEZ, Yamilis, y otros.Pruebas de aceptación para un software

con la presencia de una entidad certificadora de la calidad. Revista Cubana
de Ciencias Informáticas [ed.] Universidad de las Ciencias Informáticas. 3,
Ciudad de La Habana, Cuba :, 2007, Redalyc.org, Vol. 1. 1994-1536.
54. ZELADA, Carlos. Evaluación de modelos de clasificación. 2017.
156
ANEXOS
157
Anexo A
Instrumento de recolección de datos
Figura 78. Pregunta Nª1 de la encuesta
158
159
160
Anexo B
Matriz de consistencia
Problema Objetivo Variables Metodología

general general
¿Cómo identificar la Desarrollar el sistema
suplantación de de escritorio para el Kanban
identidad de los reconocimiento facial
estudiantes en los mediante la
exámenes finales de metodología Kanban Independiente.
la modalidad para identificar la X = Reconocimiento Población:
presencial en la suplantación de facial para la Estudiantes de
Universidad identidad de los identificación de la Universidad
Continental de la alumnos en los alumnos Continental
ciudad de la exámenes finales de la
Huancayo? Universidad Muestra:
Continental de la ciudad 5 estudiantes
de Huancayo.
Problemas Objetivos Dependiente. Técnicas de
específicos específicos Y = Modelo de recolección de
¿Cómo elaborar el Aplicar el proceso típico reconocimiento facial datos –
modelo de de clasificación en Encuesta por
reconocimiento facial máquinas de Google Forms
para la identificación aprendizaje (machine
de los alumnos en los learning) en
exámenes finales de identificación de los
la Universidad alumnos en los
Continental de la exámenes finales de la Descripción del
ciudad de Huancayo? Universidad análisis de
Continental de la ciudad datos
de Huancayo.
¿Cómo evaluar el Evaluar el modelo de
modelo de reconocimiento facial
reconocimiento facial mediante la aplicación
para la identificación de la matriz de
de los alumnos en los confusión para la
exámenes finales de identificación de los
la Universidad alumnos en los
Continental de la exámenes finales de la
ciudad de Huancayo? Universidad
Continental de la ciudad
de Huancayo.
161
Anexo C
Código del proyecto
Código de reconocimiento
162
163
164
165
166

Untitled

Cargado por

Copyright:

Formatos disponibles

Untitled

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Untitled

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA

Escuela Académico Profesional de Ingeniería de Sistemas e Informática

Reconocimiento facial para la identificación de los

Doris Ida Galindo Taype

Para optar el Título Profesional de

Agradecer al ingeniero Daniel Gamarra Moreno, docente de la E.A.P de

A Dios, por permitirme llegar hasta esta

Le dedico el presente trabajo de

El presente proyecto es dedicado a mi

Tabla 1. Porcentaje de casos de suplantación ............................................. 20

Figura 1. Denuncias recibidas en la DIVINDAT de enero a abril 2021 -------- 19

En la universidad Continental, observamos que la suplantación de identidad

La metodología que se ha usado para el desarrollo del sistema es Kanban,

Luego de la respectiva construcción del modelo de reconocimiento facial, se

Los resultados hallados en la evaluación del modelo del reconocimiento

Finalmente, se concluye que el sistema de reconocimiento facial es

Palabras claves: reconocimiento facial, aprendizaje profundo, red neuronal,

Finally, it is concluded that the facial recognition system is favorable to

Keywords: Facial Recognition, Deep Learning, Neural Network, Face

Durante los últimos años, se han desarrollado sistemas de reconocimiento

En Perú, cada vez más, se elevan las denuncias por suplantación de

Actualmente, la suplantación de identidad se está convirtiendo en un

La presente tesis aplica herramientas y procedimientos para lograr un

Las pruebas se realizaron con cinco estudiantes en diferentes escenarios,

La tesis realiza el reconocimiento facial en los siguientes casos. 1) con el

A continuación, se desarrollará un resumen de los cinco capítulos de

Capítulo I, se desarrollará el planteamiento del problema, formulación del

Capitulo II, se presenta el marco teórico que brindará los antecedentes

Capítulo III, se desarrollará la metodología, metodología aplicada para el

Capítulo IV, se detalla el análisis y diseño de la solución, identificación de

Capítulo V, se detalla la construcción, especificando el desarrollo del

1.1. Planteamiento y formulación del problema

En América Latina, la suplantación de identidad se ha convertido en el delito

En el Perú, en el año 2021 se realizó una investigación a 1188 denuncias y

Figura 1. Denuncias recibidas en la DIVINDAT de enero a abril 2021

Por otro lado, la prevención de plagio es una tarea que acompañó en la

Este tipo de situaciones se realiza porque muchos estudiantes no toman el

Los efectos que causa este problema es la indignación de los estudiantes

En la siguiente tabla 1, se evidencia según la encuesta realizada a 86

Tabla 1. Porcentaje de casos de suplantación

1-3 Casos 3-6 Casos 6-10 Casos Ningún Caso

22.5% 6.8% 3.5% 67.2 %

Tomada de encuesta por Google Forms a personas pertenecientes a la Universidad

Nota: Porcentaje (%) de casos en que se detectó una suplantación de

También en la tabla 2, se evidencia la frecuencia en porcentajes sobre la

Tabla 2. Frecuencia de casos de suplantación

Muy Frecuente Frecuente Poco Frecuente Nunca

4.7% 14.1% 25,6% 55,6%

Tomada de encuesta por Google Forms a personas pertenecientes a la Universidad

Nota: Frecuencia en porcentaje (%) de suplantación de identidad por semestre

De acuerdo con una encuesta realizada a docentes de la universidad, se

Lo que el equipo de trabajo propone para contrarrestar es: desarrollar un

1.2. Formulación del problema

1.2.2. Problemas específicos

1.3.2. Objetivos específicos

• Evaluar el modelo de reconocimiento facial mediante la aplicación de la

1.4. Justificación e importancia

Por otro lado, para el reconocimiento de imágenes se utilizará la biblioteca

1.5. Limitaciones y alcance del proyecto

Para la captura de las fotografías para el entrenamiento del modelo se