Brindar a las Empresas de seguridad y administradoras de condominios, una plataforma para gestionar las cámaras de seguridad instaladas en sus clientes, utilizando algoritmos de machine learning

1. Tema:
SafeHomeFace
Sistema de reconocimiento facial

2. Hola!
Somos:
Ing. Yury Romero Anaya
Equipo de Tecnología Operación Comercial Perú en Belcorp
Ing. Christian Valdiviezo Altamirano
Responsable de la Unidad de Prevención de Fraude y Riesgo
Operacional en Grupo GSS

3. INDICE
PLANTEAMIENTO DEL PROYECTO
DESARROLLO DEL SISTEMA
VIDEO
DEMO
CONCLUSIONES FINALES
#BIGDATASUMMIT2018

4. PLANTEAMIENTO DEL SISTEMA
#BIGDATASUMMIT2018
(*) WordCloud – 150 noticias de robos a viviendas de diversas fuentes periodísticas

5. PLANTEAMIENTO DEL SISTEMA
#BIGDATASUMMIT2018
Idea de Negocio:
Brindar a las Empresas de seguridad y administradoras de condominios,
una plataforma para gestionar las cámaras de seguridad instaladas en
sus clientes, utilizando algoritmos de machine learning y mediante las
cámaras de seguridad, se reconozca al residente registrado, de no
estarlo se activan alertas y notificaciones al centro de control.

6. PLANTEAMIENTO DEL SISTEMA
#BIGDATASUMMIT2018
Registro de Residentes:
Datos de Residentes y
Visitantes en base de datos
Imágenes y Videos.
Detección de
rostros y Extracción
de Características
Captura de las
imágenes en Streaming
1
2
3

7. PLANTEAMIENTO DEL SISTEMA
1. Llegada del
visitante al
ingreso de la
residencia
2. Cámara
captura imagen
del rostro
3. Se aplica el
algoritmo de
reconocimiento
facial
4. Compara el rostro
capturado con los
de la base de datos
5. Plataforma
Verfica si
visitante esta
registrado o no
7. Se brinda el acceso al residente o se realiza el registro del visitante
6. Envío de alertas al centro de control o algún tipo de notificación
Monitor Reconocimiento Facial

8. DESARROLLO DEL SISTEMA
Modelo de Machine Learning:
Se utiliza OpenCV, que es una biblioteca libre de visión artificial, además
FaceNet que es una red neuronal convolucional diseñada por Google,
entrenada para resolver problemas de verificación, reconocimiento y
agrupamiento de manera eficiente de rostros.
Fase 1
Haar Cascades Fase 2
CNN FaceNet
(*) Local Binary Patterns Histogram: http://www.scholarpedia.org/article/Local_Binary_Patterns
Local Binary Patterns

9. DESARROLLO DEL SISTEMA
Fase 1:
Detección y
Captura de Rostros
(Generación de
Datasets)
Fase 2:
Entrenamiento
(Generación del
modelo)
Fase 3:
Reconocimiento
de Rostros
Base de Datos
Lenguaje de
Programación
Librería
Visión
Artificial
Librería
Aprendizaje
Automático
API
Redes
Neuronales

10. DESARROLLO DEL SISTEMA
CNN FACENET:
Capa Pooling
Red Convolucional Profunda
Capa Convolucional
Capa Fully-connected

11. DESARROLLO DEL SISTEMA
CNN FACENET (*):
(*) FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko y Philbin - 17 Jun 2015
Redes Siamesas:
Triplet Loss:

12. “
Precisión
CNN FACENET logró una precisión de
99.63% con el dataset Faces in the Wild
(LFW) y con YouTube Faces DB logró el
95.12%.
“
(*) FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko y Philbin - 17 Jun 2015

13. DEMO
DEMO
SAFEHOMEFACE

14. VIDEO - ANON
(*) Anon – NETFLIX - 2018 - Cine de ciencia ficción/Suspenso ‧ 1h 40m

15. GRACIAS!
ALGUNA PREGUNTA?
Puedes encontrarnos como:
Yury Romero Anaya
@: yuryrom@gmail.com
Christian Valdiviezo Altamirano
@: oblacionx@gmail.com