Redes neuronales convolucionales para la identificación automática de individuos sujetos a búsqueda en terminales terrestres

Abstract

El objetivo de este estudio fue desarrollar un sistema automático de identificación de individuos buscados en terminales terrestres utilizando Redes Neuronales Convolucionales (CNN). Se realizó bajo un enfoque cuantitativo y un diseño cuasi-experimental. Se empleó un conjunto de datos privado con fines educativos, compuesto por imágenes y videos de individuos en un entorno dinámico, lo que permitió pruebas en contextos reales. La metodología incluyó la carga estructurada de datos biométricos, la detección facial mediante el modelo Multi-Task Cascaded Convolutional Neural Network (MTCNN) y la generación de embeddings faciales con el modelo InceptionResNetV1. Las características extraídas se almacenaron en una base de datos MySQL. Para optimizar la búsqueda en tiempo real, los embeddings se transfirieron a FAISS, una biblioteca optimizada para la búsqueda de similitudes en grandes volúmenes de datos, donde se almacenaron en formato vectorial para una búsqueda eficiente. Luego, se realizó la identificación en secuencias de video en tiempo real. Los resultados mostraron un alto desempeño del sistema, con una precisión del 89% en la detección de rostros y del 98.60% en la identificación de personas, al compararlas con los datos almacenados. Finalmente, los modelos entrenados se integraron en una aplicación web que permite la búsqueda mediante cámaras IP, utilizando la arquitectura YOLO versión 8 para el seguimiento de personas identificadas. Estos resultados confirman que los modelos de deep learning pueden incorporarse eficazmente en sistemas de vigilancia y control en espacios públicos, mejorando la seguridad y ofreciendo una solución viable para la identificación automática en tiempo real.