Oscar Ignacio Botero Henao

Oscar Ignacio Botero Henao

Auto-generated profile, based on publicly available information

Oscar Ignacio Botero Henao

Institución Universitaria Pascual Bravo

Research Focus & Metrics

Academic Career Length

5Years (2022-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
31 December 2022 in Revista CINTEX
Verified
Journal Article
Open access
PDF file
ELEmmanuel Grisales Londoño
Emmanuel Grisales Londoño
OHOscar Ignacio Botero Henao
Oscar Ignacio Botero Henao
IPIgnacio Calle Pérez
Ignacio Calle Pérez
OEOscar Julian Galeano Echeverri
Oscar Julian Galeano Echeverri
DODiego Orozco-Gómez
Diego Orozco-Gómez
La implementación de sistemas de acceso automatizados en lugares con alta afluencia, como sistemas de transporte y centros de salud, es una necesidad creciente para mitigar la congestión y el estrés laboral. En este contexto, el reconocimiento facial se presenta como una solución eficaz, ofreciendo un control de acceso personalizado y eficiente. La inteligencia artificial, junto con bases de datos robustas, permite la identificación precisa de rostros y, complementada con clasificadores de rostros, el reconocimiento facial. El clasificador Haar Cascade opera mediante pequeños clasificadores que analizan diferentes porciones de una imagen facial, las cuales se combinan para proporcionar un resultado de detección preciso, facilitando la creación de una base de datos que puede ser entrenada por algoritmos de reconocimiento. Este estudio presenta un sistema de reconocimiento facial utilizando el clasificador Haar Cascade para la recolección de imágenes, y los clasificadores de Histograma de Patrones Binarios Locales (LBPH), EigenFace (EF) y FisherFace (FF) para el proceso de reconocimiento. La recolección de datos incluyó imágenes de rostros de seis personas, obteniendo 350 imágenes sin tapabocas y 350 imágenes con tapabocas. Los tiempos de entrenamiento variaron entre 9.54 segundos y 9287.64 segundos. Una vez entrenados los modelos, el tiempo de reconocimiento facial osciló entre 0.0001 segundos y 0.4447 segundos. La precisión del reconocimiento con el clasificador LBPH se ubicó entre 80.9069% y 100%, con el clasificador EF entre 69.7542% y 100%, y con el clasificador FF entre 31.6017% y 91.3684%. Estos resultados demuestran la rapidez del sistema de reconocimiento facial propuesto, destacando la precisión y velocidad del clasificador LBPH.