En los últimos años, el desarrollo de ingenios y programas informáticos para sistemas de seguridad ha experimentado un gran impulso. Entre ellos, destacan los sistemas biométricos de reconocimiento facial, que se perfilan como los más prometedores.
El concepto biometría proviene de las palabras bio (vida) y metría (medida), lo que significa que todo equipo biométrico mide e identifica alguna característica propia de la persona. Todos los seres humanos tenemos características morfológicas únicas que nos diferencian.
Por tanto, la medición biométrica se puede considerar como el método ideal de
identificación humana. Tras los atentados terroristas del 11 de septiembre de 2001 en Nueva York, los fabricantes e ingenieros que desarrollan sistemas de seguridad no dan abasto.
Aunque parecen extraídas de películas futuristas, lo cierto es que estas tecnologías son muy reales. Por ejemplo, los escáneres de reconocimiento óptico del iris, que es uno de los sistemas más difundidos por su rapidez, eficacia y precio, ya han llegado a aeropuertos y hoteles.
Estos sistemas logran identificar al individuo en menos de dos segundos, sin
embargo no son suficientemente rápidos en zonas con gran afluencia de gente. Por tanto, todavía hay mucho trabajo por delante.
Se necesitan sistemas con mucha memoria y gran tiempo de cómputo, dos características fundamentales para acortar los tiempos de ejecución.
La identificación de características faciales ha recibido un fuerte impulso gracias al cambio en la tecnología de vídeo multimedia. Esto ha propiciado un aumento de cámaras en los lugares de trabajo y en el hogar. El reconocimiento por características faciales es inherente a todos nosotros. Individuos específicos pueden ser distinguidos de una multitud sólo con verles la cara. Por tanto, este tipo de identificación es considerada como la más natural dentro de los sistemas biométricos.
El reconocimiento facial se puede aplicar en el control de accesos edificios públicos, cajeros automáticos, agencias del gobierno, laboratorios de investigación y también como clave secreta de acceso para el uso de ordenadores personales.
Este sistema ya se ha utilizado en EEUU durante la última final de fútbol americano, conocida como Super Bowl, donde las cámaras registraron las caras de cada uno de los espectadores para cotejarlas con las de los criminales almacenadas en su base de datos.
Este sistema también se podría utilizar para tener bases de datos de quién entra y quién sale de edificios emblemáticos. Los primeros programas de reconocimiento facial fueron instalados en el Reino Unido. En 1997, la ciudad de Newham (250.000 habitantes) equipó sus calles con un sistema de vídeo-control conectado a un programa informático. Según la policía, la iniciativa permitió una disminución del 34% de la criminalidad.
El proceso de identificación facial se divide en dos tareas: «detección» y «reconocimiento». La primera comprende la localización de las caras que existen en una fotografía o en una secuencia de vídeo. La segunda tarea compara la imagen facial con caras previamente almacenadas en una base de datos. Se suele cotejar una serie de puntos clave, como la boca, nariz y ojos.
Conscientes de la creciente importancia de los sistemas de seguridad, los expertos pretenden crear una aplicación que permita realizar la identificación facial, mediante técnicas de aprendizaje estadístico. Para desarrollar esta tarea se va a utilizar una de las herramientas de aprendizaje más potentes que existen en la actualidad, la Máquina de Vectores Soporte («Support Vector Machine», SVM), dada su versatilidad y prestaciones en la clasificación.
Para resolver el problema de la detección facial, diversos investigadores han usado otros métodos. Por ejemplo, las redes neuronales o aproximaciones de máxima verosimilitud. Pero analizando los resultados obtenidos, se puede comprobar que la máquina de vectores soporte es la que proporciona el menor error y la mejor generalización.
MÁQUINA DE VECTORES SOPORTE
La máquina de vectores soporte tiene numerosas aplicaciones, como el reconocimiento de escritura (Cortes y Vapnik, 1995; Schölkopf, Burges y Vapnik, 1995 y 1996; Burges y Schölkopf, 1997); reconocimiento de objetos (Blanz, 1996); identificación de interlocutor (Schmidt, 1996) y categorización de textos (Joachims, 1997), entre otras. Otra de las aplicaciones más importantes de la SVM, que es en la que se centra el presente artículo, está en el campo de la «visión computerizada», más en concreto en los sistemas de detección facial.
A continuación exponemos un ejemplo sencillo para explicar brevemente cuál es el objetivo que se pretende conseguir con la utilización de la SVM. En una fábrica de tornillos se sabe que una pieza buena es aquella que tiene una longitud entre 4 y 6 cm y una pieza no válida es aquella que está por debajo de 4 cm o es mayor de 6 cm. Por otra parte, se tienen una serie de características de las piezas, como la forma del tornillo, el peso y el color. Así pues, se dispone de una serie de piezas etiquetadas como «buenas» y otra serie como «malas». Estas muestras sirven para entrenar la SVM. Una vez terminado este proceso y hallados una serie de parámetros, lo que se pretende es que al introducir en la máquina un conjunto de datos nuevos (en este caso tornillos), ver cómo generaliza; es decir, comprobar si se cometen errores o se clasifican bien las muestras dentro de su respectiva clase (2 clases: pieza válida o no).
La SVM fue ideada originalmente para la resolución de problemas de clasificación binarios en los que las clases eran linealmente separables (Vapnik y Lerner, 1965). Por este motivo se conocía también como «hiperplano óptimo de decisión» ya que la solución proporcionada es aquella en la que se clasifican correctamente todas las muestras disponibles, colocando el hiperplano de separación lo más lejos posible de todas ellas. Las muestras más próximas al hiperplano óptimo de separación son conocidas como muestras críticas o «vectores soporte», que es lo que da nombre a la SVM.
Este es por tanto el caso más sencillo. Se asume que se tiene un conjunto de datos D = {(xi, yi)}n i = 1 etiquetados, donde xi ? Rd, yi ?{– 1, 1}, y se desea obtener el clasificador que minimice el error de generalización.
No obstante, los mejores resultados se obtienen usando una SVM no lineal. Para obtener funciones de clasificación no lineales, la SVM busca el hiperplano óptimo de decisión en un espacio en el que previamente se han transformado los datos («espacio de características») y este hiperplano se convierte en una función de decisión no lineal en el espacio original. La ventaja de esta transformación es que sólo se debe conocer su núcleo reproductor o «kernel» de la transformación, lo cual simplifica en gran medida la obtención de funciones de decisión no lineales.
Algunas de las funciones de kernel más utilizadas son las siguientes:
El objetivo del entrenamiento es encontrar el mejor valor de los hiperparámetros que definen la SVM para un tipo de kernel específico. Durante este proceso, se obtienen unos errores de entrenamiento y de validación. El menor error de validación marca el valor de estos hiperparámetros.
Para entrenar se suele utilizar el método de validación cruzada (en inglés, n-fold cross validation; n-fold cv), ya que ofrece muy buenas prestaciones en la búsqueda de los hiperparámetros. Se obtiene información no sólo de la media del error cometido, sino también de la desviación típica del mismo.
El método consiste en dividir el bloque de datos de entrenamiento en «n» partes iguales. A continuación, para un cierto valor de los hiperparámetros, se utilizan «n-1» de las «n» partes para entrenar la máquina y la parte restante para hallar el error de validación. Este proceso se realiza por tanto «n» veces, lo que permite usar todas las muestras para hallar el error de validación. Por último, se debe hacer la media de los «n» pares de valores de error encontrados para obtener así el resultado final. Este proceso se repite para todos los parámetros que se quieran ajustar mediante esta técnica.
Por tanto, el procedimiento a seguir para entrenar la SVM es el que se muestra en la figura 1.
El comportamiento de los errores de entrenamiento y de validación se muestra esquemáticamente en la figura 2, donde en el eje de abscisas se tiene el parámetro a ajustar y en el eje de ordenadas el error de entrenamiento y de validación obtenido.
Como se puede ver, existe un cierto punto en el que el error de validación alcanza el mínimo y es aquí donde hay que elegir el valor de los hiperparámetros. La razón de este hecho radica en que, como se puede ver en la figura 2, a la izquierda de este punto, los errores de entrenamiento y validación son muy elevados y a la derecha se incurre en un «sobreajuste», porque el error de entrenamiento sigue disminuyendo y el error de validación vuelve a aumentar de nuevo, lo que proporciona una mala generalización.
OBTENCIÓN DEL CLASIFICADOR
Para comprender el procedimiento explicado se puede usar una base de datos de imágenes bidimensionales y en escala de grises. Las muestras con las que se va a entrenar la SVM corresponden a una base de datos de caras y no caras, que se descargan en la página Web del MIT CBCL («Center for Biological and Computational Learning»). En particular, la base de datos que se va a usar contiene 2.429 caras y 4.546 no caras, lo que hace un total de 6.975 muestras para entrenar y testear la SVM. Todos estos ficheros se encuentran en formato .pgm («Portable Gray Map»). Las imágenes son de 19 x 19 píxeles, por lo que se trabajará con 19 x 19 = 361 dimensiones.
Estos ficheros de imagen en formato .pgm, se pueden abrir por ejemplo con el programa «Fine View», que es un potente visualizador de imágenes que permite este formato en particular, a parte de otros muchos.
Unos ejemplos de estas caras y no caras que se van a utilizar para entrenar la máquina de vectores soporte se muestran a continuación en las figuras 3 y 4. Según se explicó en la figura 1, se cogen aleatoriamente el 80% de los datos (5.580 datos de los 6.975 totales), y utilizando un kernel gaussiano se obtiene el siguiente mejor valor de los hiperparámetros que definen este tipo de kernel: C = 8 y ?= 500.
Error de validación cruzada: 0,5935 ± 0,1793.
Para estos parámetros, se obtiene: ERROR DE TEST = 0,7735.
Este valor de error de test da una idea de los resultados que se obtendrán al pasar fotografías reales. Como se puede observar el error es muy pequeño. Antes de mostrar algunos resultados, sólo comentar que lo primero que se debe hacer es coger la imagen y obtener los distintos vectores para hacer el test. Se va recorriendo dicha imagen, cogiendo matrices de 19 x 19 (este es el tamaño de las muestras de entrenamiento de la SVM) y pasándolas a vectores.
Antes también se debe hacer una transformación, ya que las caras pueden ser de distinto tamaño, por lo que si son mayores de 19 x 19 se diezma y si son mayores, se interpola (lo más aconsejable es utilizar el método de «interpolación bilineal»). Esto da una idea de la complejidad computacional del proceso. Los datos a testear se obtienen desplazándose píxel a píxel. En la figura 5 se puede ver una explicación gráfica de este proceso: la primera muestra a testear sería el cuadrado de trazo continuo, luego el de trazo discontinuo y así hasta llegar al final de la fila. Después, igual con la muestra de trazo doble, hasta el final de su respectiva fila y de la misma forma hasta el final de la fotografía en cuestión.
Como se puede ver en la figura 6, una de las caras no se detecta y luego tomando distancias de ojos, nariz y boca tampoco se reconocería comparándola con otra de la misma persona previamente almacenada en una base de datos. Esto está dentro del error de test obtenido y se debe a que la SVM no se ha entrenado con caras tan inclinadas, como se puede observar en las figuras 3 y 4, donde todas las caras están de frente.
Para resolver este tipo de problemas y después los de la fase de reconocimiento, la solución es utilizar la misma herramienta de la SVM pero para trabajar en tres dimensiones, como se explica en el apartado siguiente, donde se muestra uno de los mejores productos que están actualmente en el mercado.
Neurodynamics ofrece su producto Tridenty, uno de los mejores sistemas de reconocimiento facial que existen en el mercado. Utiliza la información de la luz para poder recrear una imagen en tres dimensiones, con la cual se puede generar la estructura ósea de la cara y se puede independizar así de la sensibilidad a la posición del usuario en cada toma.
Una última ventaja es que al construir el sistema una imagen tridimensional, la misma se puede rotar y ver desde distintos ángulos, aunque el usuario nunca haya sido capturado desde ese ángulo.
REFERENCIAS
– A Tutorial on Support Vector Machines for Pattern Recognition; Christopher J. C. Burges; Microsoft Research (formely Lucent Technologies), 1998.
– Sequential Support Vector Machine for Efficient Face Detection; S. Romdhani, P. Torr, B. Schölkopf, A. Blake; University of Freiburg, Germani; 2002.
– http://www.csie.ntu.edu.tw/˜cjlin/libsvm
– http://www.ai.mit.edu/projects/cbcl/software-datasets
– http://www.neurodynamics.com/BIOMETRICS
Raúl Sánchez Vítores. Ingeniero Técnico de Telecomunicación.
rsvitores@coitt.es
agh, cof cof… (too technic!) interesante pero me he perdido..jeje
Es muy interesante la investigación del estudio dereconocimiento de superficie facial de las personas, puede ser aplicado en seguridades. soy de Ecuador, quiciera saber más hacerca de esta técnica de reconocimiento, que tecnicas se emplea para la digitalización Y comparaciones con rostros. gracias y espero esta contestación.
por cierto el sitio tiene un aspecto agradable
Quisiera comentarles que me parece muy interesante su pagina, ya que se trata de un tema de sumo interes para mi porque mi trabajo final se basa en este tema, es decir investigacion y desarrollo del reconocimiento facial.
Me encantaria que si tiene algo mas sobre el tema me lo hagan llegar, mis compañeros de tesis y yo les estaremos muy agradecidos.
Me despido de ustedes muy atentamente.
Lorena-Cristian-Diego
quisiera que me enviaran algunas bases de datos , algoritmos mas comunes,mi tesis se trata del reconocimiento de rostros con algoritmos evolutivos.
La verdad me parece muy interesante debido a que estoy estudiando criminalistica yestoy realizando una trabajo sobre los metodos de identificacion humana, lo que a mi enteder este sistema es similar al antropometrico de Bertillon nada mas que toma las medidas del rostro
muy lido todo. pero tengo q hacer un tp para la facu y no encuentro nada concreto loco!!!!!!
ponganse las pilas!!!!
uh q flash! yo tmb estudio criminalistica! pasenme please el mail de RAMON!!!!! asi compartimos este bello pasatiempos!!!!!
tal vez va con migo a la facu loco!!!!!!
dale, gracias
Me parece que han publicado buena informacion sobre el tema, en especial porque yo tambien estoy trabajando en mi proyecto de grado que tiene todo que ver con el desarrolo de un sistema informatico de reconocimiento facial y les pido me ayuden.
igualmente, me pueden indicar algunos enlaces que tengan inforamción mas concreta?
se lso agradecere mucho
hola a todos los que han hecho posible esta investigacion, me gustaria pedirles algo mas de informacion entorno al reconocimiento facial mediante redes neuronales. todo lo que encuentro es bastante tecnico y dada mi inicializacion en este sector me gustaria que me aconsejasen o me enviasen algo mas basico.
hola gente, bueno yo tambien toy empezando a realizar mi proyecto de tesis y trata del mismo tema…me gustaria que me enviaran informacion al respecto…yo tambien tengo apuntes e informacion asi que, que tal si compartimos informacion..bueno espero se comuniquen…a…OKEYJC@HOTMAIL.COM….bye y cuidense
Hola, me parce muy interesante su informacion pero lo k me gutaria saber es como hacen con las imagenes de las fotos tomadas antes de hacer el reconociemto q tecnicas utilizan pàra tratar de q la imagen no tenga ningun ruido,sombra o q te tenga bajo el contrates etc pq yo tengo q realizar un trabajo de reconociemnto facial pero me pideron ver como hago el preproceso y cules algoritmos puedo utilizar para llevar a cabo eso cualkier tipo de informacion les estaria muy agradecido y si tuvieran un demo como probar las imagenes para hacer el reconocimento tambien grasias y espero k sus logrs en sus imvestigasiones sigan para delante. Si alguien mas tiene interes en ayudarme puede escribir a luzaza@gmail.com porfavor lo ams antes posible grasias.
Hola
Me parece muy interesante todo lo que tiene que ver con la biometria. Si tiene algun codigo implementado en Matlab le estaria agradecido que me lo enviara lo antes posible. Mi mail es jfdez2@hotmail.com. Muchas gracias!!
Reitero lo inmportante y interezante la muestra de esta pagina web… me sumo al interez mutuo.. a comenzar a trabajar en aquello..agradeseria material de apoyo y algoritmos para comenzar gracias..
estudiante de Ing.Informatica..
hola este tema esta realmente interesante,me gustaria que me enviaran informacion sobre las tecnicas que existen paa la determinacion de los caracteristocas mas saltantes de las imagenes, cual es el tratamiento que se les da para que estas puedan ser comparadas gracias de antemano por su ayuda
Estaría interesado en tener mas informacion al respecto dado que la necesito para un proyecto de en el curso de Inteligencia artificial, si alguien tendria codigo o un aplicacion en c++ o matlab.
mi mail es
dennis_kdc@yahoo.es
Estaria muy agradecido y dispuesto a ayudar e intercambiar informacion
bien, pues yo opino que deberian quitarle el cascaron a las tortugas, ya que debido al crecimiento demografico registrado en los ultimos 5 años, hemos llegado a la conclusion de ke los polloscultivados tiene un promedio de tiempo de crecimiento mucho menor que el de un pollo criado normalmente. (crear una base de datos con la cual se considere la asistencia a la clase de sistemas operativos, por via huella digital.)
necesito presentar un trabajo, que un individua se pare al frente de una web cam y en ese momento entrenar la red, luego que reconosca solamente a ese individuo y que por los parlantes me diga el nombre, si ustedes pueden ayudarme les agradeceria
estoy haciendo una tesis con unos compañeros, en el cual se debe aplicar el reconocimiento facial, el problema es que necesitamos informacion mas detallada sobre las tecnicas de programacion que se pueden usar para desarrollar una aplicacion de este tipo,si alguien sabe de algun libro que me pueda ser util de preferencia en castellano por favor comuniquense a jmanuelfa@hotmail.com gracias por anticipado
Algunas referencias que conozco:
Libros (L):
[L.1] Lenguaje C; F. Javier Moldes Teo; Grupo Anaya, 2000.
[L.2] Two-dimensional signal and image processing; Jae S. Lim;
Prentice-Hall, 1990.
Reports (R):
[R.1] A Tutorial on Support Vector Machines for Pattern Recognition;
Christopher J.C. Burges;
Microsoft Research (formely Lucent Technologies), 1998.
[R.2] Sequential Support Vector Machine for Efficient Face Detection;
S. Romdhani, P. Torr, B. Schölkopf, A. Blake;
University of Freiburg, Germany; 2002.
[R.3] LIBSVM: a Library for Support Vector Machines;
Chih-Chung Chang and Chich-Jen Lin; 2002.
[R.4] Face Recognition with Support Vector Machines: Global versus Component-based Approach;
B. Heisele, P. Ho, T. Poggio;
Massachussets Institute of Technology (M.I.T).
[R.5] Face Recognition Using Component-based SVM Classification and Morphable Models; J. Huang, V. Blanz, B. Heisele; M.I.T.
[R.6] Handheld Face Identification Technology in a Pervasive Computing Environment;
E. Weinstein, P. Ho, B. Heisele, T. Poggio, K. Steele, A. Agarwal; M.I.T.
[R.7] Advances in Component-based Face Detection;
S. M. Bileschi, B. Heisele; M.I.T.
[R.8] Component-based Face Detection;
B. Heisele, T. Serre, M.Pontil, T. Poggio; M.I.T.
[R.9] Face Detection in Still Gray Images;
B. Heisele, T. Poggio, M. Pontil; M.I.T.
[R.10] Training Support Vector Machines: an Application to Face Detection;
E. Osuna, R. Freund, F. Girosi; M.I.T.
[R.11] Finding Human Faces with a Gaussian Mixture Distribution-based Face Model; T. Poggio, K-K Sung; M.I.T.
[R.12] Cubic Convolution Interpolation for Digital Image Processing; Robert G. Keys; IEEE, diciembre 1981.
Internet (I):
[I.1] http://www.biometrics.org
[I.2] http://www.csie.ntu.edu.tw/~cjlin/libsvm
[I.3] http://www.ics.uci.edu/~mlearn/MLSummary.html
[I.4] http://www.ai.mit.edu/projects/cbcl/software-datasets
[I.5] http://www.fine-view.com
[I.6] http://www.mip.sdu.dk/ipl98/cos/cpp_doc/html/classipl1_1cstdImage.html
[I.7] http://www.imagemagick.org
QUISIERA QUE ME ENVIARAN INFORMACION SOBRE TODO CON RESPECTO DE LA IDENTIFICACION HUMANA POR MEDIO DE LA BIOMETRIA SOBRE TODO LO QUE TIENE QUE VER CON EL RECONOCIMIENTO FACIAL.
(GRACIAS)
Estoy realizando un trabajo para la materia inteligencia Artificial de la carrera Ingenieria en sistemas, y necesitaba conocer el mecanismo de reconocimiento fasial y de huellas dactilares, como es el proceso de la captacion de la imagen y como es tratada, o como se realiza el proceso de transformacion de la misma.
desde ya muchas gracias.
Actualmente estoy realizando mi tesis en el desarrollo de un algoritmo de reconocimiento e identiifcacion de rostros, como estoy empezand me gustaria tener mas informacion de los metodos de reconocimiento e identificacion de rasgos faciales, hasta el momento he leido de metodos basados en redes neurales, transformadas y otros.
Cualquier informacion me es util
Gracias…
yo estoy realizando recontrucion de cadas en 3D como puedo realizar y algunos algoritmos para realozar dicho tesis
Actualmente en colombia existe este sistema de reconocimiento Facial, lo conozco a travez de un desarrollo presentado por el ingeniero Eduardo Migneco, me gustaria conocer experiencias de desarrollo de este sistema para contactarlos con este Ingeniero y complementar o mejorar una solucion que se esta mostrando.
Estoy por empezar mi Tesis para la carrera de Ing en Ciencias de la Computacion y me gustaria saber lo mas posible sobre los algoritmos basicos para el reconocimiento de rostros, muchas gracias
Hola. estoy investigando sobre un sistema de seguridad CCTV que incluya reconocimiento facial que compare con una base de fotgrafias, para detectar intrusos…
Saludos, LUIS
hola, para mi tesis toy preparando reconocimiento dactilar y facial y alguien tuviera algunos datos porfa escribanme asi tambien yo puedo brindarles lo que consiga graxxxxxx.
es muy bueno la verdad pero quisiera que me pasen informacion sobre la extraccion de carcteristicas de la imagen gracias
BUENAS TARDES, INTERESANTE REPORTAJE
ME INTERESARIA ME ENVIARAN INFORMACION DE EMPRESAS QUE MANEJAN ESTOS TIPOS DE SISTEMAS
GRACIAS
Me interesa mucho este tema, quisiera que me enviaran toda la información que tengan lo más pronto posible.
Quiero aprender a hacer un software como este. Les agradezco mucho su atención
hola, les estaria muy agradecido si cualquiera de ustedes me pueda dar información de cual es el tipo de base de datos que se utiliza para guardar la informacion del reconocimiento facial y dactilar, haber si me pueden mandar una BD que maneje este tipo de información .
mi tesis se tarta del recconocimiento faciodactilar
Todo este tema me parece muy interesante y te agradeceria que me facilitaras cualquier informacion acerca del reconocimiento de rostros xq estoy realizando mi tesis en base a este tema.
Necesito saber quien tiene algum modulo DLL de su propiedad para enviarme, necesito acoplarla mi software. algun ejemplo de reconocimiento facial, una base de dados de rostro en visual basic, quien tiene pago algunos dolares. favor enviar informacion o demostracion, o una dll de propiedad, ok. mi email es trocamostudo@use100.com.br o juanweb@use100.com
Gracias
Espero la ayuda de un profesional en el tema de reconocimiento facial usando el metodo tridimensional. Es para la aplicacion de mi tesis.
la informacion sobre el algoritimo a usar, que sea en castellano porfavor.
La informacion que llegue al sgte email: jucafeba82@hotmail.com
Hola a todos, como muchos de ustedes estoy realizando mi tesis y tiene una parte relacionada con el reconocimiento de rostro, pero yo no he de implementarla, tan sólo he de encontrar unas rutinas (a poder ser en matlab) que realicen esa labor y añadirlas a mi proyecto.
He encontrado unas (pueden pedirme información si lo desean), pero estoy teniendo problemas con una aplicación que utilizan “weka”, no me va bien desde matlab. Por ello, les pido si alguien podría, por favor,decirme dónde puedo conseguir un programa que realice el reconocimiento de rostro.
Muchísimas gracias.
lorfbrown@hotmail.com
Todo bien chevere su pagina y super interesante… pero for fis alguien que conozca o sepa sobre Reconocimiento de texto aplicando Redes Neuronales necesito hacer un sistema de urg.. por fa envien informacion al correo mayalizpv@hotmail.com gracias desde ya…………
Espero alguien me pueda ayadar ya que estoy buscando algunos algoritmos para el reconocimiento facial usando basicos y usando el metodo tridimencional y tambien el tipo de base de datos que se utiliza para guardar la informacion del reconocimiento facial espero alguien pudiera tener infirmacion sobre esto y poderlos ayudar con algo que llegara a encontrar
por favor necesito ke alguien me ayude urgentemente…necesito saber pronto cuel es el metodo ke usan las SVM para reestructurar las muestras de datos desbalanceados ke existen en las bases de datos…y si estan empapados en el tema les agradeceria si me facilitaran tambien el metodo ke se usan en redes neuronales y los algoritmos geneticos…el ke me pueda ayudar me puede escribir a mi correo particular jmrojas@estudiantes.uci.cu
Very good post, thanks a lot.
Hey. Most of the basic truths of life sound absurd at first hearing. Help me! Please help find sites for: New impossible state most robots fat as sbi and long-term people want internet banking for open together, forex market.. I found only this – [URL=http://canadianbrownfields.ca/Members/ForexMarket/forex-market-volume]forex market volume[/URL]. Forex market, economic data were fake of the market well under option in the appreciates against stock forex. Forex market, the problem given in red $10,000 flips a difference of the business of crises in vehicle immigrants on each of the increased innumerable macro funds. Best regards :rolleyes:, Reilly from Iceland.