Ingeniería
y sus Alcances, Revista de Investigación
Septiembre-diciembre 2024 / Volumen 8
/ No. 22
ISSN: 2664 – 8245
ISSN-L: 2664 -
8245
https://revistaingenieria.org
pp. 144 - 162
Sistema
Biométrico con reconocimiento facial. Un procedimiento de registro de casos de
Transporte y Seguridad Vial
Biometric System with facial recognition. A
procedure for registering Transportation and Road Safety cases
Sistema biométrico com reconhecimento facial. Um
procedimento de registo de processos no domínio dos transportes e da segurança
rodoviária
Erick Marty Terrazas Zeballos
ermateze@gmail.com
https://orcid.org/0009-0009-6221-4518
Universidad
Adventista de Bolivia. Cochabamba, Bolivia
Artículo recibido
17 de julio 2024 | Aceptado 21 de agosto 2024 | Publicado 23 de octubre 2024
Escanea en tu dispositivo móvil o
revisa este artículo en:
https://doi.org/10.33996/revistaingenieria.v8i22.124
RESUMEN
El reconocimiento facial es una tecnología de
identificación Biométrica que, por medio del análisis de ciertos rasgos
característicos del rostro, busca establecer la identidad de una persona. A
pesar de ser menos precisa que otras formas de identificación Biométrica, como
la lectura de huellas dactilares o del iris, no requiere contacto físico. El
presente trabajo presta atención a desarrollar un sistema biométrico con
reconocimiento facial para optimizar el procedimiento de registro de casos en
la Dirección Regional de Tránsito, Transporte y Seguridad Vial de Quillacollo,
Bolivia. Para este proyecto, se empleó la metodología Kanban para gestionar
ágilmente el flujo de trabajo, se incorporó SVM (Support Vector Machines) para
lograr un reconocimiento facial efectivo. En el resultado propuesto se destaca
la combinación de estas tecnologías garantiza un sistema integral y eficiente,
mejorando la identificación de infractores y la eficiencia operativa,
contribuyendo a una gestión más efectiva del control de tránsito.
Palabras
clave:
Identificación de infractores; identificación Biométrica; Reconocimiento
facial; Seguridad Vial; Sistema biométrico
ABSTRACT
Facial recognition is
a biometric identification technology that, through the analysis of certain
characteristic features of the face, seeks to establish a person's identity. Despite
being less accurate than other forms of biometric identification, such as
fingerprint or iris reading, it does not require physical contact. This work
focuses on developing a biometric system with facial recognition to optimize
the case registration procedure at the Regional Directorate of Transit,
Transport, and Road Safety in Quillacollo, Bolivia. For this project, the
Kanban methodology was employed to efficiently manage the workflow, and SVM
(Support Vector Machines) was incorporated to achieve effective facial
recognition. The proposed outcome highlights that the combination of these
technologies guarantees a comprehensive and efficient system, improving the
identification of offenders and operational efficiency, thereby contributing to
more effective traffic control management.
Key words: Identification of offenders; Biometric identification; Facial
recognition; Road safety; Biometric system
RESUMO
O
reconhecimento facial é uma tecnologia de identificação biométrica que, através
da análise de determinados traços caraterísticos do rosto, procura estabelecer
a identidade de uma pessoa. Embora seja menos preciso do que outras formas de
identificação biométrica, como a leitura das impressões digitais ou da íris,
não requer contacto físico. Este trabalho centra-se no desenvolvimento de um
sistema biométrico com reconhecimento facial para otimizar o procedimento de
registo de casos na Direção Regional de Trânsito, Transporte e Segurança
Rodoviária de Quillacollo, Bolívia. Para este projeto, foi utilizada a
metodologia Kanban para gerir o fluxo de trabalho de forma ágil e foi
incorporada a SVM (Support Vetor Machines) para conseguir um reconhecimento
facial eficaz. O resultado proposto destaca que a combinação destas tecnologias
garante um sistema abrangente e eficiente, melhorando a identificação dos
infractores e a eficiência operacional, contribuindo para uma gestão mais
eficaz do controlo do tráfego.
Palabras
clave: Identificação de infractores; Identificação biométrica; Reconhecimento
facial; Segurança rodoviária; Sistema biométrico
INTRODUCCION
El reconocimiento
facial es una tecnología de identificación Biométrica, también conocida como
verificación, es el proceso por el que se comparan los datos de las
características de una persona con la "plantilla" biométrica de esa
persona, con el fin de determinar su semejanza. En primer lugar, el modelo de
referencia se almacena en una base de datos o en un elemento seguro portátil,
como una tarjeta inteligente. Luego se comparan los datos almacenados con los
datos biométricos de la persona para autenticarse. Aquí, lo que se está
verificando es la identidad de la persona.
El reconocimiento de
personas, consiste en determinar la identidad de las personas mediante sus
características físicas y/o de comportamiento. La identificación Biométrica
abarca el procesamiento automático de la escritura, las huellas digitales, la
geometría de la mano, el rostro y sus partes, la forma de caminar, la voz, o la
combinación de estas en los llamados sistemas multibiométricos (Pérez, 2014).
En particular el reconocimiento del rostro
presenta ventajas sobre otros sistemas biométricos, en cuanto a que es una
técnica no invasiva y puede ser utilizada tanto en aplicaciones públicas como
encubiertas. Sin embargo, algunos elementos complejizan el proceso de
reconocimiento de rostro; como las variaciones de las poses y las expresiones,
las distintas fuentes de iluminación, las sombras, el comportamiento especular
de la piel, la oclusión de sus partes por espejuelos o prendas de vestir, el
pelo, los maquillajes y el envejecimiento.
Las nuevas
tecnologías de captura en 3D abarcan escáneres (Boyde, 2014), sistemas
estereoscópicos (Zappa et al., 2010), sistemas con luz estructurada (Paysan et
al., 2009) o sistemas de imágenes de rango (Yan y Bowyer, 2007) que se obtienen
mediante dispositivos que censan la profundidad como las cámaras Kinect (Li et
al., 2013). Comúnmente estas tecnologías para la identidad de las personas
mediante sus características físicas y/o de comportamiento se complementan con
aplicaciones que permiten el perfeccionamiento de estos modelos, mediante el
rellenado de huecos (Xu et al., 2009), la regularización de la información
(Zhang, Z. ,2012) y el suavizado (Wang et al., 2010).
Si bien los sistemas
de reconocimiento facial pueden ser diversos, todos requieren de al menos tres
elementos para funcionar: una forma de capturar imágenes, un software encargado
del análisis de las imágenes y una base de datos con rostros para hacer la
comparación.
La precisión del
sistema dependerá del acceso a una base de datos que permita la identificación
de las imágenes con sujetos previamente catalogados, de que las imágenes cumplan
con ciertos estándares mínimos de calidad requeridos por el software para su
análisis (tamaño, luminosidad, que la imagen capture los puntos de análisis
utilizados por el sistema, etc.), del modo en que los algoritmos hayan sido
“entrenados” para hacer las asociaciones entre los datos capturados y aquellos
en la base de datos que permite la comparación, así como del diseño mismo del
software, que indicará los parámetros precisos de acuerdo a los que se
efectuarán las comparaciones para producir la identificación. Problemas en
cualquiera de estos niveles pueden impedir que el sistema realice correctamente
la función para la cual ha sido implementado, lo que puede traducirse en
reconocimientos fallidos, discriminaciones arbitrarias y falsos positivos, todas
situaciones lamentablemente comunes asociadas al uso de sistemas de
reconocimiento facial, especialmente cuando se utiliza para vigilar el espacio
público y para resguardar el acceso a derechos sociales.
Con el objetivo de
enfrentar algunos de estos problemas y teniendo en cuenta que, en la última
década el tráfico vehicular en las ciudades de Bolivia, representa un desafío
constante para las autoridades, generando congestiones, accidentes y una
pérdida significativa de tiempo y recursos. La Dirección Regional de Tránsito
Quillacollo no es ajena a esta problemática, ya que enfrenta un flujo diario
considerable de personas que realizan diversos trámites.
Cuando se utiliza
para la vigilancia del espacio público y el combate del delito común, el
reconocimiento facial erosiona la autonomía de las personas en favor de un
sistema que pretende el control absoluto, mediante la gestión técnica de las
identidades, reproduciendo las desigualdades y exclusiones que históricamente
han puesto en desventaja a las comunidades no hegemónicas.
En relación al
registro de los casos de tránsito, es relevante destacar que durante el año
2022 se contabilizaron un total de 279 percances viales. Este proceso se
desencadena cuando los agentes de tránsito identifican infracciones a las
normas vehiculares y proceden a trasladar a los involucrados a la Dirección
Regional de Tránsito de Quillacollo. En este contexto, se genera un expediente
que detalla el número de infracciones, el tipo de vehículo, el lugar y hora del
incidente, así como los datos completos de los implicados.
Hay que aclarar que
el registro de expedientes se realiza primeramente en un cuaderno, para
posteriormente ser trasladado a un documento de hoja de cálculos Excel, lo cual
es muy ineficiente ya que el personal de la oficina no está capacitado para el
uso de este tipo de programas y pierden un tiempo transcribiendo los datos,
además de que a veces se generan errores en el ingreso de los mismos. Todo este
registro en la hoja Excel está en el formato de la Dirección Departamental de
Tránsito Cochabamba, donde se centraliza todos los casos de todas las unidades.
Las hojas de cálculo tienen varias desventajas y estas son: la falta de
seguridad, ya que se pueden eliminar, modificar o corromper fácilmente los
datos además de que no se puede compartir la información de manera eficiente
con la Dirección Departamental de Tránsito Cochabamba.
Además de los
desafíos mencionados, la identificación de infractores de tránsito se ve
obstaculizada en situaciones en las que los individuos llegan en estado de
ebriedad o no pueden proporcionar información precisa sobre su identidad. En
estos casos, los agentes de la policía de tránsito se ven obligados a depender
de la información proporcionada por testigos o de investigaciones posteriores
del caso. Esta falta de información precisa dificulta la aplicación de
sanciones adecuadas a los infractores, aumenta el riesgo de errores en la
identificación de los culpables y, lo que es más preocupante, genera un peligro
tanto para los infractores mismos como para otros usuarios de la vía pública.
La combinación de estos factores pone de relieve la necesidad de implementar
estrategias más efectivas para la identificación precisa de infractores de
tránsito.
Si bien la tarea de
identificar infractores de tránsito presenta desafíos complejos, la tecnología
de reconocimiento facial ha surgido como una herramienta prometedora para
abordar algunos de estos obstáculos. Esta tecnología, ya implementada y
funcionando con éxito en países como China, Estados Unidos y Europa, ofrece la
posibilidad de mejorar la precisión y la eficiencia en la identificación de
individuos, incluso en situaciones difíciles como aquellas que involucran a
personas en estado de ebriedad o con dificultades para proporcionar información
personal.
En China, se ha
utilizado una variedad de tecnologías de reconocimiento facial en la aplicación
de la ley, incluyendo gafas de reconocimiento facial. Estas gafas están
equipadas con cámaras y software de reconocimiento facial para identificar a
personas en tiempo real. La tecnología se ha utilizado en eventos deportivos y
en la estación de tren de Zhengzhou, donde se ha utilizado para identificar a
sospechosos y personas fugitivas (Fontdeglória, 2018).
La implementación
exitosa del reconocimiento facial en la aplicación de la ley en distintos
países pone de relieve el potencial de los sistemas biométricos para mejorar la
eficiencia y la precisión en la identificación de individuos. Los sistemas
biométricos se han convertido en una herramienta fundamental para la
identificación y verificación de individuos en diversos ámbitos, desde la
seguridad pública y el control de acceso hasta la asistencia financiera y la
gestión de identidad. Estos sistemas se basan en la utilización de
características físicas o de comportamiento único e intransferible de cada
persona, como las huellas dactilares, el reconocimiento facial, el escaneo de
iris, el reconocimiento de voz y el análisis de la marcha, entre otras.
En consonancia con
este avance tecnológico en materia de identificación y seguridad, el proyecto
que nos ocupa tiene como objetivo principal el desarrollo de un sistema
biométrico con reconocimiento facial para automatizar el registro de casos de
tránsito. Este sistema innovador busca optimizar y transformar el proceso
tradicional de registro de casos, introduciendo un nuevo paradigma de
eficiencia, precisión y seguridad mediante la implementación de tecnologías de
vanguardia como Django, Tkinter y el algoritmo de SVM.
El sistema propuesto
se basa en la captura de imágenes faciales de los individuos involucrados en un
caso de tránsito. Estas imágenes se procesan mediante el algoritmo de SVM
(Support Vector Machines), una técnica de aprendizaje automático de gran
precisión en la clasificación y reconocimiento de patrones. El algoritmo SVM
permite comparar las imágenes capturadas con una base de datos, identificando
de manera confiable a los individuos involucrados en el caso.
La información
obtenida a través del reconocimiento facial se integra con un sistema de
gestión de casos de tránsito desarrollado en Django, un framework web robusto y
escalable. Esta integración permite automatizar el registro de datos esenciales
del caso, como la identidad de los involucrados, la fecha, hora y ubicación del
incidente, así como una descripción detallada del mismo. La interfaz gráfica
del sistema se desarrolla utilizando Tkinter, una biblioteca de Python para la
creación de interfaces de usuario gráficas. Esta interfaz ofrece una
experiencia de usuario intuitiva y fácil de usar, permitiendo a los oficiales
de tránsito registrar los casos de manera rápida y eficiente.
En consecuencia, esta
investigación se diseñó considerando como problema científico: ¿Qué sistema
Biométrico se debe utilizar para el reconocimiento facial para optimizar el
procedimiento de registro de casos en la Dirección Regional de Tránsito,
Transporte y Seguridad Vial de Quillacollo, Bolivia?
Su objetivo consistió
en: proponer un desarrollar un Sistema Biométrico con reconocimiento facial
para optimizar el procedimiento de registro de casos en la Dirección Regional
de Tránsito, Transporte y Seguridad Vial de Quillacollo, Bolivia.
METODO
El enfoque de este
estudio atendiendo a su nivel de profundidad la investigación fue un diseño no
experimental con un análisis cualitativo en base a los hallazgos del
levantamiento de información sobre el despliegue de sistemas de reconocimiento
facial en la Dirección Regional de Tránsito, Transporte y Seguridad Vial de
Quillacollo, Bolivia.
Los métodos del orden
teórico: analítico-sintético, inductivo-deductivo y el análisis documental se
emplea en la revisión bibliográfica sobre los sistemas Sistema Biométrico con
reconocimiento facial para el procedimiento de registro de casos en la
dirección regional de tránsito transporte y seguridad vial, y de orden
empírico: observación participante, entrevistas grupales en su modalidad grupos
de discusión. (Porto y Ruiz, 2014).
Como instrumento se
aplicó una entrevista al director de la oficina regional de tránsito. El propósito
de esta entrevista fue obtener información sobre las estrategias y acciones que
se están llevando a cabo para prevenir accidentes, los desafíos que se
enfrentan en esta tarea y las expectativas para el futuro. De acuerdo a (Ávila et al 2020, como se citó
en Aduvire, 2022), la recogida de la información y el procesamiento de los
datos emerge de las respuestas a las preguntas delimitadas en formularios
digitales o impresos dirigidos a los sujetos seleccionados como muestra. En ese
sentido, la entrevista se aplicó a través de un formulario elaborado por los
autores, aplicado a la muestra seleccionada, los resultados se tabularon en
tablas estadísticas de Excel, desde donde fueron analizados e interpretados,
obteniendo información cualitativa a partir de datos cuantitativos obtenidos.
En el procedimiento
realizado se consideraron los sistemas de reconocimiento facial desarrollados
en el marco de políticas públicas, especialmente aquellos sistemas
implementados para asistir la vigilancia del espacio público y la
autentificación de identidad, particularmente como medida de acceso a derechos
y beneficios sociales. No se consideraron aquellos sistemas desplegados en
espacios privados como tiendas, centros comerciales o bancos privados; tampoco
están incluidos sistemas implementados en ámbitos como el comercio electrónico
o el acceso a dispositivos digitales o aplicaciones cuando no constituyen un
condicionante para el acceso a un servicio público.
La información fue compilada a partir de las
siguientes fuentes:
a) Solicitudes
de acceso a la información.
b) Entrevistas
semiestructuradas con agentes clave: empresas, agentes públicos, etc.
c) Búsqueda
por palabras-clave en mecanismos de búsqueda: buscadores diversos en internet,
medios de comunicación, portales de transparencia, webs de gobiernos, etc.
d) Consulta
a organizaciones de derechos humanos, movimientos sociales, periodistas y
activistas del país.
Como metodología de
desarrollo este proyecto utilizo Kanban para acompañar el ciclo de desarrollo
de software debido a su flexibilidad, permitiendo adaptar el proceso de
desarrollo a las necesidades cambiantes del proyecto. A diferencia de
metodologías más rígidas como Scrum, Kanban no impone ciclos de desarrollo
predefinidos, sino que permite un flujo continuo de trabajo y una rápida
respuesta a nuevas prioridades o imprevistos.
La arquitectura de
software que se eligió para el proyecto es la arquitectura headless, también
conocida como “Sin cabeza”, este es un es un enfoque de diseño de software
donde se separa la interfaz de usuario (front-end) de la lógica del servidor y
la gestión de datos (Novoseltseva 2020). En este estilo arquitectónico, el
front-end no está directamente acoplado a un sistema específico de gestión de
contenidos o plataforma, lo que permite una mayor flexibilidad y modularidad en
el desarrollo.
La elección de la
arquitectura headless para este proyecto se justifica de manera significativa
por la facilidad que proporciona a la escalabilidad del sistema. La separación
clara entre el front-end y el back-end en una arquitectura headless permite
gestionar eficientemente el crecimiento del sistema sin comprometer la
flexibilidad ni la coherencia en la experiencia del usuario. Además, el
modularidad inherente a la arquitectura headless facilita la adición de nuevos
servicios o la expansión de capacidades sin afectar directamente la interfaz de
usuario.
A continuación, se
describen detalladamente las diversas tecnologías web e inteligencia artificial
empleadas en este proyecto. Se explica la justificación de la elección de cada
una de estas tecnologías y se analizan sus distintas aplicaciones prácticas
dentro del sistema, destacando cómo contribuyen a resolver la problemática
planteada.
La biometría se
define como el campo multidisciplinario que se enfoca en el estudio y
desarrollo de técnicas para medir, analizar y reconocer características únicas
y medibles de los seres vivos, con el fin de identificar, autenticar y
verificar su identidad. Para capturar y analizar las características
biométricas, se utilizan diversas tecnologías y dispositivos especializados.
Estos incluyen sensores de huellas dactilares, cámaras para reconocimiento
facial, escáneres de iris, dispositivos de reconocimiento de voz, entre otros.
Estas tecnologías permiten adquirir de manera precisa y eficiente los datos
biométricos necesarios para su posterior procesamiento y comparación.
En el proceso de
identificación y verificación biométrica, se emplean algoritmos y métodos para
analizar y comparar las características biométricas capturadas. Estos
algoritmos realizan operaciones de extracción, comparación y verificación de la
información biométrica para determinar la identidad de un individuo (Boehnen, y
Flynn, 2005). Algunos ejemplos comunes de algoritmos biométricos incluyen los
algoritmos de coincidencia de huellas dactilares, los algoritmos de
reconocimiento facial y los algoritmos de reconocimiento de iris.
Para la persistencia
de datos en este proyecto usaremos PostgreSQL que es un sistema de gestión de
bases de datos relacionales (SGBDR) de código abierto que se destaca por su
robustez, confiabilidad y escalabilidad (OVHcloud 2024). Es una opción popular
para aplicaciones que requieren un alto nivel de disponibilidad, seguridad de
datos y manejo de grandes volúmenes de información.
Uno de los
componentes más importantes de nuestro proyecto fue el lenguaje de programación
Python debido a las múltiples ventajas que este lenguaje aporta, las cuales se
complementan perfectamente con las necesidades y características del mismo.
Python cuenta con Django, un framework de desarrollo web de alto nivel que
facilita la creación de aplicaciones web escalables y seguras. Django ofrece
una amplia gama de funcionalidades integradas, como gestión de bases de datos,
autenticación de usuarios, administración de contenido y un sistema de
plantillas flexible (Gupta 2023).
En este proyecto,
Django ha sido fundamental para desarrollar la base sólida de la aplicación
web, permitió una gestión eficiente de la información, la creación de
interfaces dinámicas y la implementación de funcionalidades robustas.
También es importante
recalcar que Python es un lenguaje ampliamente utilizado en el campo del
reconocimiento facial, lo que significa que existe una gran cantidad de
bibliotecas y herramientas especializadas disponibles para esta tarea (Amazon
Web Service 2018) Esto facilita la integración de algoritmos de reconocimiento
facial en el proyecto, sin necesidad de recurrir a lenguajes o herramientas
externas.
Se utilizó la
biblioteca OpenCV, una biblioteca de código abierto ampliamente utilizada para
el procesamiento de imágenes y el reconocimiento facial (Boesch 2024). OpenCV
ha permitido implementar de manera eficiente la funcionalidad de reconocimiento
facial en la aplicación, brindando una experiencia fluida y precisa para los
usuarios.
En sintonía con el
lenguaje de programación Python, las interfaces gráficas de este proyecto se
desarrollaron utilizando la librería Tkinter. Esta librería es una herramienta
de código abierto ampliamente utilizada para la creación de interfaces gráficas
de usuario (Yan, y Bowyer, 2007).). Esta herramienta no solo facilitó la
creación de interfaces funcionales, sino que se erigió como una herramienta
fundamental para adaptarlas a los requerimientos específicos del proyecto, garantizando
una experiencia de usuario excepcional.
RESULTADOS
En esta sección se
presenta el producto construido como parte del proyecto, destacando las
características principales y el proceso de desarrollo utilizando la
metodología Kanban para acompañar el ciclo de desarrollo de software (Boyde
2014). El producto desarrollado es un Sistema Biométrico con Reconocimiento
Facial para el Procedimiento de Registro de Casos de Tránsito, el cual tiene
como objetivo agilizar y optimizar el proceso de registro de casos de tránsito
mediante la utilización de la tecnología de reconocimiento facial. El sistema
está diseñado para ser utilizado por las autoridades de tránsito para mejorar
la eficiencia y la precisión en la identificación de las personas involucradas
en los incidentes de tránsito.
Sobre sus
características principales este sistema permite el registro de casos de
tránsito mediante el reconocimiento facial de los involucrados. El sistema
captura una imagen del rostro de la persona y la compara con una base de datos
de rostros previamente registrados. Si
se encuentra una coincidencia, el sistema recupera la información personal de
la persona y la precarga en el formulario de registro del caso. Este sistema
permite obtener información de forma independiente sobre los potenciales
riesgos que su diseño o implementación puedan representar para el ejercicio de
los derechos de los usuarios o personas impactadas por una tecnología
específica. Posibilita acceder a los procesos iterativos de mejora en que la
visión de los operadores del sistema sea complementada por visiones externas
que contribuyan a su mejora y evitar impactos negativos de la implementación de
un sistema.
El desarrollo del
sistema se llevó a cabo utilizando la metodología Kanban, un enfoque ágil de gestión
de proyectos que se basa en la visualización del flujo de trabajo y la mejora
continua (DoneTonic 2019). Se dividió el proyecto en ocho bloques de trabajo,
cada uno con un objetivo específico y un tiempo de entrega definido. Se
implementó un tablero Kanban para visualizar el progreso de cada bloque de
trabajo y gestionar el flujo de tareas. El proyecto tuvo una duración total de
dos meses, durante los cuales se completaron los ocho bloques de trabajo de
forma satisfactoria. La metodología Kanban permitió una gestión eficiente del
tiempo y los recursos, adaptándose a los cambios y necesidades del proyecto de
manera flexible.
Bloques
de trabajo
A continuación, se presenta una breve
descripción de cada bloque de trabajo
Bloque de
trabajo I: Recopilación de Requerimientos y diseño arquitectónico:
Se recopilaron los requerimientos funcionales y no funcionales del sistema,
incluyendo las necesidades de los usuarios y las características del producto.
También se optó por el uso de la arquitectura Headless para el desarrollo de
este sistema.
Figura 1. Diagrama de arquitectura Headless
Bloque de
trabajo II: Diseño de la Base de Datos. Se diseñó la
estructura de la base de datos para almacenar la información del sistema,
incluyendo tablas, relaciones y atributos.
Figura 2. Diseño de base de datos
Bloque de
trabajo III: Desarrollo de rutas API. El siguiente bloque de trabajo se enfocó en el desarrollo de las
rutas de la API utilizando Django para los distintos módulos del sistema.
Durante este bloque, se utilizó el framework Django para diseñar y definir las
rutas que permitan la interacción con cada uno de los módulos del sistema.
Figura 3. Rutas backend
Bloque de
trabajo IV: Módulo de Policías. El
siguiente bloque de trabajo se enfocó en la implementación del módulo de
policías en el sistema. Durante este bloque, se creó la ruta correspondiente en
la API (Application Programming Interface) y se desarrollaron las vistas
utilizando la biblioteca Tkinter para la interfaz de usuario.
Figura 4. Interfaz de usuario: lista de policías
Figura 5. Interfaz de usuario: crear policía
Bloque de
trabajo V: Módulo de infractores. Este bloque de trabajo se
concretó en el desarrollo del módulo de infractores abordando las distintas
vistas y también probando sus funcionalidades.
Figura 6. Diagrama de casos de uso módulo de infractores
Figura 7. Interfaz de usuario: crear infractor
Bloque de
trabajo VI: Módulo de casos de tránsito. Durante este bloque de
trabajo se realizó el módulo de casos de tránsito siendo este el módulo
principal del sistema debido a que combina la mayoría de entidades del mismo
sistema y además contiene algunas funcionalidades más complejas.
Figura 8. D. casos de uso módulo de casos de tránsito
Figura 9. Interfaz de usuario: crear caso de tránsito
Bloque de
trabajo VII: Módulo de reconocimiento facial. Durante este bloque, se implementó un subsistema de reconocimiento
facial que utilizó SVM como algoritmo de clasificación y OpenCV como biblioteca
para el procesamiento de imágenes (Boesch 2024).
Figura 10. Interfaz de usuario: capturar rostro de
infractor
Figura 11. Interfaz de usuario: reconocimiento de
infractores
Bloque de
trabajo VIII: Módulo de estadísticas. El siguiente bloque de trabajo
se centró en realizar el módulo de estadísticas donde se verán los reportes de
casos de tránsito anual y mensual.
Figura 12. Interfaz de usuario: estadísticas mensuales
Figura 13. Interfaz de usuario: estadísticas anuales
DISCUSIÓN
La implementación del
sistema biométrico con reconocimiento facial en la Dirección Regional de
Tránsito, Transporte y Seguridad Vial de Quillacollo demostró ser una solución
efectiva para abordar las ineficiencias operativas y las dificultades en la
identificación de infractores. Este avance tecnológico no solo moderniza el
proceso de registro, sino que también ofrece múltiples beneficios que merecen
ser discutidos detalladamente.
En cuanto al
reconocimiento de rostros completos, existe coincidencia con el análisis de
datos funcionales como alternativa para el reconocimiento automático planteado
por los autores (Muñoz, et al. 2014). El sistema desarrollado ha sido valorado
positivamente por los usuarios finales y los administradores de la institución.
La integración de reconocimiento facial ha permitido una identificación más
precisa y rápida de los infractores, eliminando errores humanos comunes en el
registro manual. El uso de Django para la creación de una API robusta y la
implementación de interfaces de usuario con Tkinter han facilitado la adopción
del sistema, haciéndolo accesible y fácil de usar para el personal. A
continuación, se explicarán los distintos efectos del sistema:
Reducción
del Tiempo de Registro
En este sentido, el
sistema ha permitido una disminución significativa en el tiempo requerido para
registrar casos de tránsito. Esto se debe a la automatización de procesos y la
rapidez del reconocimiento facial en comparación con el registro manual.
Anteriormente, los registros manuales implicaban varios pasos, como la
verificación de documentos, la identificación visual y la entrada manual de
datos en los sistemas de registro. Estos pasos no solo eran tediosos y
propensos a errores humanos, sino que también consumían una cantidad
considerable de tiempo. Con la implementación del reconocimiento facial, el
proceso de identificación se ha simplificado significativamente, estudios
anteriores han demostrado que la rapidez del reconocimiento facial en
comparación con el registro manual es efectiva a través de criterios y métodos
de selección de bases y su impacto en el análisis de datos funcionales
(Silva-Mata, et al. 2016).
Disminución
de Errores
Es de gran
importancia en el reconocimiento facial el impacto de los errores; esto no solo
mejora la fiabilidad de los registros, sino que también asegura que las
acciones legales y administrativas se basen en información precisa y
verificada. Este contexto normativo y no se controla, agrava los riesgos que
este tipo de tecnologías presentan al ejercicio de derechos fundamentales. Es
necesario además mencionar que la mayoría de los intentos por regular las
tecnologías de identificación biométrica parecen estar más preocupados por
validar su implementación que de balancear sus propósitos. En ese sentido, si
bien es cierto que una regulación específica en la disminución de os errores
puede ser beneficiosa cuando busca subsanar deficiencias de la normativa
general de protección de datos personales, eso solo será posible cuando su
formulación considere un enfoque de prevención de riesgos de impacto en el
ejercicio de derechos fundamentales, entre ellos notablemente privacidad y no
discriminación (Parra, 2020).
La precisión del
reconocimiento facial mediante SVM ha reducido los errores de identificación,
asegurando que los registros sean más fiables y exactos. En los métodos
tradicionales de identificación, los errores humanos, como la entrada
incorrecta de datos o la confusión entre personas con características físicas
similares, eran comunes. Estos errores no solo afectaban la exactitud de los
registros, sino que también podían llevar a consecuencias legales y
administrativas graves. Con el uso de SVM para el reconocimiento facial, el
sistema puede distinguir entre rostros con una alta precisión, minimizando la
posibilidad de errores.
Flexibilidad
y escalabilidad
A decir de Intelion,
(2018), los sistemas de control biométrico son altamente flexibles y escalantes,
lo que los hace adecuados para empresas de diferentes tamaños y tipos. Estos
sistemas pueden adaptarse a las necesidades específicas de tú empresa y
permiten agregar o eliminar usuarios de manera fácil y rápida. La arquitectura
implementada (Headless) proporciona la flexibilidad necesaria para escalar el
sistema y adaptarlo a futuras necesidades y tecnologías emergentes. Al
desacoplar el frontend y el backend, la arquitectura (Headless) permite
actualizaciones y modificaciones en una parte del sistema sin afectar la otra.
Esto no solo facilita
la integración de nuevas funcionalidades y tecnologías, sino que también
asegura que el sistema pueda evolucionar con el tiempo. La escalabilidad del
sistema es esencial para manejar un volumen creciente de datos y usuarios. A
medida que la población y el tráfico en Quillacollo aumentan, el sistema debe
ser capaz de manejar más registros y procesar datos de manera eficiente. La
flexibilidad y escalabilidad proporcionadas por la arquitectura (Headless) aseguran
que el sistema puede crecer y adaptarse a estas demandas futuras, manteniendo
su rendimiento y eficiencia.
Mejora en
la Eficiencia Operativa
La gestión eficaz de
la de la seguridad vial en la Mejora en la Eficiencia Operativa, implica un
mejor control de los procesos internos y una estructura organizativa más
eficiente. Esto se traduce en una operación más fluida y menos interrupciones
debido a incidentes, aumentado la productividad y reduciendo costos asociados a
accidentes y daños (Flynn, y Jain, 2018). La mejora en la eficiencia operativa
permite a la Dirección de Tránsito gestionar un mayor volumen de casos con los
mismos recursos, lo que se traduce en un mejor servicio para la comunidad. La
reducción del tiempo de registro y la disminución de errores han liberado
recursos que antes se dedicaban a la corrección de errores y a la gestión de
registros manuales.
Estos recursos ahora
pueden ser redirigidos hacia otras áreas críticas, como la mejora de la
infraestructura de tránsito y la educación vial. Además, la capacidad de
gestionar un mayor volumen de casos sin necesidad de aumentar
significativamente el personal o los recursos técnicos mejora la eficiencia
global de la institución. Esto no solo optimiza el uso de los recursos
disponibles, sino que también mejora la calidad del servicio ofrecido a la
comunidad, reduciendo los tiempos de espera y aumentando la satisfacción de los
ciudadanos.
Mayor
Justicia y Transparencia
La precisión en la
identificación de infractores contribuye a una mayor justicia y transparencia
en el proceso de registro de casos de tránsito, fortaleciendo la confianza
pública en la institución. Los errores de identificación y los registros
incorrectos pueden llevar a consecuencias injustas para los ciudadanos, como
multas incorrectas o acusaciones injustas. Al reducir estos errores, el sistema
biométrico asegura que solo los verdaderos infractores sean identificados y
registrados. Esto no solo mejora la exactitud de los registros, sino que
también refuerza la percepción de justicia y equidad en el sistema de tránsito.
La transparencia en el proceso de identificación y registro también es crucial
para mantener la confianza pública. Al utilizar tecnologías avanzadas y métodos
precisos de identificación, la Dirección de Tránsito puede demostrar su
compromiso con la justicia y la transparencia, lo que fortalece la confianza de
los ciudadanos en la institución y en el sistema de gestión de tránsito.
Relevancia
Futura
La flexibilidad y
escalabilidad del sistema aseguran su relevancia futura, permitiendo
integraciones con nuevas tecnologías y adaptaciones a cambios en la legislación
y políticas de tránsito. A medida que surgen nuevas tecnologías y cambian las
regulaciones, el sistema debe ser capaz de adaptarse y evolucionar para mantenerse
relevante y efectivo. La capacidad de integrar nuevas tecnologías, como el
aprendizaje automático avanzado o la inteligencia artificial, puede mejorar aún
más la precisión y eficiencia del sistema. Además, la flexibilidad para
adaptarse a cambios en la legislación asegura que el sistema cumpla con las
normativas y regulaciones vigentes, evitando problemas legales y
administrativos. La relevancia futura del sistema no solo asegura su
sostenibilidad a largo plazo, sino que también garantiza que pueda seguir
proporcionando beneficios significativos a la comunidad y a la dirección de
tránsito.
Finalmente, la
valoración cualitativa destaca la idea de que la tecnología de reconocimiento
facial permite la identificación individualizada de cualquier persona y, con
eso, el acompañamiento de sus trayectos y hábitos personales en tiempo real. La
transformación de tal información en metadatos que pueden, a su vez, ser
almacenados y analizados de manera agregada implica la posibilidad adicional de
inferir una serie comportamientos e, incluso, intentar predecir acciones
futuras.
CONCLUSIONES
Los resultados
obtenidos en este artículo, han revelado una notable diversidad de valoraciones
y criterios sobre el Sistema Biométrico con reconocimiento facial para el
procedimiento de registro de casos en la dirección regional de tránsito,
proponiendo una solución integral que mejora la eficiencia, seguridad y
transparencia en la gestión de casos de transporte y seguridad Vial en
Quillacollo, Bolivia.
La implementación del
sistema biométrico facial, utilizando Supervised Machine Learning, ha
demostrado ser una herramienta efectiva para el reconocimiento e identificación
de infractores. Este sistema ha mejorado significativamente la precisión y
rapidez en la identificación de personas, lo que contribuye a una gestión más
eficiente y segura de los registros de casos de tránsito. Se ha diseñado tanto
el modelo de negocio actual como un modelo alternativo para la Dirección
Regional de Tránsito Quillacollo. Este diseño ha permitido una mejor
comprensión de los procesos y ha facilitado la integración del nuevo sistema
biométrico en la estructura organizativa existente, asegurando su viabilidad y
sostenibilidad a largo plazo.
Finalmente, es
importante destacar el desarrollo del módulo de reportes mensuales y anuales ha
automatizado el proceso de generación de informes, facilitando la toma de
decisiones informadas y la evaluación del desempeño del sistema. Esta
automatización ha reducido la carga administrativa y ha proporcionado datos más
precisos y accesibles, permitiendo un seguimiento detallado de todas las
actividades y accesos. Esto ha contribuido a un mayor control y supervisión,
previniendo posibles irregularidades y garantizando la integridad del sistema.
Conflicto de intereses
Los autores declaran
que no existe conflicto de intereses para la publicación del presente artículo
científico
REFERENCIAS BIBLIOGRAFICAS
Boehnen, C., y Flynn, P. (2005). Accuracy of 3D scanning technologies in a face scanning scenario. In 3-D
Digital Imaging and Modeling, 3DIM 2005. Fifth International Conference.
310-317. IEEE. https://realpython.com/python-gui-tkinter/
Boesch, G. (2024).
“What is OpenCV? The Complete Guide”. VisoAI.
https://viso.ai/computer-vision/opencv/.https://apiumhub.com/es/tech-blog-barcelona/principales-patrones-arquitectura-software
Boyde, J (2014). “A
Down-To-Earth Guide To SDLC Project Management. Disponible en:
https://www.businessinsider.es/usa-reconocimiento-facial-estacion-autobuses-madrid-651165
DoneTonic, P. (2019). “Metodología
Waterfall vs Metodología Agile”. DoneTonic.
https://donetonic.com/es/metodologia-waterfall-vs-metodologia-agile/
Fontdeglòria, X.
(2018). “La policía china usa gafas con reconocimiento facial para identificar
a sospechosos | Mundo Global | EL PAÍS”. 2018.
https://elpais.com/internacional/2018/02/07/mundo_global/1518007737_209089.html
Flynn,
P. y Jain, P. (2018). “Biometría: Progreso y desafíos” https://www.simplilearn.com/tutorials/django-tutorial/what-is-django-python
Gupta, A. (2023). “All You Need To Know About Django
Framework”. SimpleLearn.
https://www.simplilearn.com/tutorials/django-tutorial/what-is-django-python
Intelion,
A. (2018). “El reconocimiento facial en la seguridad e investigación”. Intelion. https://intelion.isid.com/es/el-reconocimiento-facial-en-la-seguridad-e-investigacion/
Li,
B. Mian, A., Liu, W., y Krishna, A. (2013). Using kinect for face recognition under varying poses, expressions,
illumination and disguise. In Applications of Computer Vision (WACV). 186-192.
http:// www.oas.org/es/cidh/expresion/docs/publicaciones/INTERNET_2013_ESP.pdf
Muñoz,
D., Silva, F., Hernández, N. y Talavera, I. (2014). El análisis de datos
funcionales como alternativa para el reconocimiento automático de imágenes
biométricas: aplicación en el iris. Computación y Sistemas, 18(1), 111-121.
https://computerworld.com.br/plataformas/ministerio-publico-acusa-serpro-de-oferecer-servico-ilegal/
OVHcloud,
R. (2024). “¿Qué es PostgreSQL?”. http://www.ovhcloud.com/es/lp/postgresql-definition/OVHcloud.
Parra,
A. (2020). “Técnicas de investigación cuantitativa para recolectar datos”. Question Pro.
https://www.questionpro.com/blog/es/tecnicas-de-investigacion-cuantitativa/
Paysan, P., Knothe, R., Amberg, B., Romdhani, S., y
Vetter, T. (2009). A 3D face model for pose and illumination invariant face
recognition. In Advanced video and signal based surveillance, 2009. AVSS'09.
Sixth IEEE International Conference on. 296-301.
https://adc.org.ar/2019/09/18/avanza-la-regulacion-del-reconocimiento-facial-en-la-legislatura-portena
Pérez,
A. (2014). “El algoritmo SVM y sus aplicaciones empresariales”. OBS Business school.
https://www.obsbusiness.school/blog/el-algoritmo-svm-y-sus-aplicaciones-empresariales
Porto,
L., y Ruiz, J. A. (2014). Los grupos de discusión. En K. Sáenz López, & G.
Támez González, Métodos y técnicas cualitativas y cuantitativas. 253-273.
México D.F., México: Tirant Humanidades.
https://doi.org/10.37811/cl_rcm.v6i6.4332
Silva-Mata,
F. Muñoz, D., Mendiola-Lau, V. Talavera, I. y Augier, A. (2016). Criterios y
métodos de selección de bases y su impacto en el análisis de datos funcionales.
RCF Vol33-1E.
Silva-Mata, Muñoz, Mendiola-Lau,
Talavera, y Augier, (2016). Alineación de Señales e imágenes durante la
aplicación del Análisis de Datos Funcionales, RCF Vol33-1E
Wang et al., (2010).
Robust 3D face recognition by local shape difference boosting. Pattern Analysis
and Machine Intelligence. 32(10), 1858-1870.
https://digitalid.karisma.org.co/2010/07/01/SIVIT-reconocimiento-facial/
Xu et al., (2009). Automatic 3D face recognition from
depth and intensity Gabor features. Pattern recognition. 42(9), 1895-1905.
Yan, P., y Bowyer, k. (2007). Biometric recognition using 3D ear shape. Pattern Analysis and Machine
Intelligence. Rev IEEE, 29(8), 1297-1308. DOI: 10.1109/TPAMI.2007.1067
Zappa, E., Mazooleni, P., y Hai, Y. (2010). Stereoscopy based 3D face recognition system. Procedia Computer Science,
1(1), 2521-2528.
http://leyes.senado.gov.co/proyectos/index.php/textos-radicados-senado/p-ley-2020-2021/2021-proyecto-de-ley-234-de-2020
Zhang, Z. (2012). Microsoft kinect sensor and its
effect. Rev.
IEEE, 19(2), 4-DOI:10.10.1109/MMUL.2012.24