Reconocimiento periocular

Abstract

Hoy en día, la actual situación de pandemia nos obliga a llevar mascarilla la mayor parte del tiempo. Esto causa que ciertos sistemas de identificación, como el reconocimiento facial, ya no sean viables. No obstante, existen alternativas como el reconocimiento periocular que siguen siendo efectivas a pesar de la mascarilla. El reconocimiento periocular es un campo no muy conocido que consiste en identificar al individuo usando imágenes de la zona que rodea los ojos. En este proyecto, se analiza si es posible aplicar modelos de Deep Learning, previamente entrenados y que han sido aplicados con éxito en otros problemas, al campo del reconocimiento periocular. Para ello, se han seleccionado algunos de los modelos de visión artificial más exitosos de los últimos tiempos, se han entrenado con las mínimas modificaciones posibles empleando un conjunto de datos reducido y finalmente han evaluado en el problema en cuestión. Los resultados obtenidos muestran que usando modelos preentrenados se puede lograr un porcentaje de reconocimiento cercano al 60 %. Sin embargo, en las condiciones en las que se han llevado a cabo los experimentos se produce overfitting en todos los modelos analizados. Estos resultados sugieren que es posible emplear modelos preentrenados para reconocimiento periocular pero será necesario aumentar el tamaño los conjuntos de datos o modificar los modelos para obtener resultados realmente buenos.

Abstract:

Nowadays, within the current pandemic situation, we have been forced to wear a face mask most of the time. This situation causes certain identification systems, such as facial recognition, to be no longer useful. Nevertheless there are alternatives, such as periocular recognition, which are still effective despite wearing a face mask. Periocular recognition is a very unknown research field, which consists of identifying an individual using images of the area around the eyes. This project analyzes if it is possible to apply Deep Learning models, previously trained and which have been successful for other problems, to periocular recognition. To do so, some of the most successful computer vision models of the past years have been chosen, they have been trained with the minimum modification needed using a reduced dataset and finally they have been tested for the actual problem. The results show that it is possible to achieve recognition percentages close to 60% using pretrained models. However, all tested models have had overfitting when trained under these experimental conditions. These results suggest that it is possible to apply pretrained models for periocular recognition but dataset size augmentation or model modifying will be needed in order to achieve really good results.