57
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 23, Nº 92 Junio 2019 (pp. 57-63)
EISSN 2542-3401
RECONOCIMIENTO FACIAL UTILIZANDO VIOLA-JONES Y
PATRONES BINARIOS
Hirvin Gonzalez , Sergio Velásquez.
{hirvin17, sergiovelasquezg}@gmail.com
Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO) Vicerectorado Puerto Ordaz
Centro de Investigación de Redes Neuronales Articiales y Robotica (CIRNAR)
Recibido (09/05/19), Aceptado (13/05/19)
Resumen: En este articulo se muestra las capacidades que posee un sistema de reconocimiento de
reconocimiento facial, dado diferentes condiciones que se pueden presentar en cualquier espacio
sico. El diseño cuenta con sistema que es capaz de reconocer el rostro de una persona y mostrar
el porcentaje de acierto que tiene con respecto a las imágenes del rostro de usuario que sirven para
que el sistema pueda identicar a la persona. Utilizando la librería OpenCV de Python mediante
el algoritmo de Viola-Jones y el algoritmo de Patrones Binarios Locales (LBP), se realizó un
interfaz que es capaz de identicar a tantos usuarios se encuentren registrados en la base de datos.
Palabras Claves: Reconocimiento Facial, Vision Articial, OpenCV, Machine Learning, Procesamiento
de imágenes, Python.
FACIAL RECOGNITION USING
VIOLA-JONES AND BINARY PATTERNS
Abstract: This article shows the capabilities of a facial recognition recognition system, given
different conditions that can occur in any physical space. The design has a system that is able
to recognize the face of a person and show the percentage of success that it has with respect to
the user face images that serve so that the system can identify the person. Using the OpenCV
library of Python using the algorithm of Viola-Jones and the algorithm of Local Binary Patterns
(LBP), an interface was made that is able to identify so many users are registered in the database.
Keywords: Facial Recognition, Articial Vision, OpenCV, Machine Learning, Image Processing, Python
Gonzalez et al., Reconocimiento facial utilizando viola-jones
I.INTRODUCCIÓN
La tecnología de reconocimiento facial no es precisa-
mente un fenómeno nuevo. Los primeros experimentos
con esta tecnología se remontan a la década de 1960,
aunque, en aquel entonces, la investigación para co-
menzar con su desarrollo se mantuvo en secreto. Si bien
hoy en día la ciencia detrás del software es mucho más
matemática, automática y cuenta con el respaldo de los
potentes equipos sosticados actuales, los primeros mo-
delos requerían un mayor nivel de intervención humana
y, por lo tanto, eran automatizados solo en forma par-
cial.
Su uso en estos casos es relativamente sencillo: una
cámara recopila las imágenes, mediante el uso de un
algoritmo informático, el sistema trata de identicar
al usuario; para ello mide ciertos rasgos de su rostro,
como la distancia entre sus ojos o el ancho de la nariz.
El software de reconocimiento facial se encuentra ple-
namente integrado ya en muchos mercados, desde el de
la seguridad hasta el de la domótica. Sin embargo, es
poco habitual que ese tipo de software tenga la catego-
ría de código abierto.
Por consiguiente, partiendo de este tipo de sistema
se realizará mediante el uso de código abierto y el cual
se podrá visualizar en tiempo real la identicación del
usuario con su respectivo porcentaje de acierto y tam-
bién se mostrará la hora actual en la que se está hacien-
do la identicación.
II.DESAROLLO
El diseño está basado en un sistema de reconocimien-
to facial, el cual será aplicado a un entorno de trabajo.
Este sistema contara con una cámara web para poder
capturar los patrones faciales de los usuarios previa-
mente registrados, los cuales serán procesados en una
computadora. Dicho programa almacenará los patrones
en la base de datos, realizará el entrenamiento para re-
conocer a los usuarios y tendrá una interfaz que será
capaz de visualizar e identicar a los usuarios. También
se enviará mediante un correo electrónico quien ingreso
en el sistema y a qué fecha y hora fue que ingreso. Una
vez el usuario sea identicado, este sistema será capaz
5858
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
58
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 23, Nº 92 Junio 2019 (pp. 57-63)
EISSN 2542-3401
de dar acceso al entorno de trabajo y poder controlar la
temperatura, la iluminación y el encendido de los equi-
pos electrónicos según los requerimientos de cada uno
de los usuarios.
A.Reconocimiento Facial
El sistema de reconocimiento facial es una aplica-
ción que se encarga de identicar automáticamente a
una persona dirigida por un ordenador, el cual realiza
un análisis de las características faciales del usuario
adquiridas mediante una imagen o una fuente de video
comparándolas con una base de datos.
Figura 1. Sistema de reconocimiento facial
Estos sistemas se dividen en cuatro etapas. La pri-
mera etapa es la detección del rostro y su respectiva
localización en la imagen. La segunda etapa es el pro-
cesado para escalar, recortar y ecualizar la imagen. La
tercera etapa es la extracción de características la cual
proporciona la información para distinguir la cara. La
cuarta etapa es el reconocimiento del usuario utilizando
los valores obtenidos y compáralo con los de la base de
datos.
Estas cuatro etapas se aplican a cada usuario que
queramos reconocer. No obstante, existe una etapa pre-
via de entrenamiento para preparar el sistema que solo
se ejecuta una vez. En esta etapa, las tres primeras fases
se aplican a cada uno de los usuarios para extraer un
conjunto de entrenamiento para extraer las característi-
cas más relevantes de dichas imágenes y almacenarla en
la base de datos. Una vez entrenado el sistema, se podrá
reconocer a todos los usuarios registrados.
1)Detección Facial
La detección facial es el proceso en el que el softwa-
re determina, mediante algoritmos, si hay rostros huma-
nos en una foto o vídeo. No determina la identidad de
una persona, tan solo determina si hay alguna cara. En
la actualidad existen distintos algoritmos para realizar
una detección facial, muchos de ellos se utilizan para un
área en especíca y puede ser más complejo dependien-
do de su utilidad. Por lo que para este caso se utilizara el
algoritmo de Viola-Jones el cual permite detectar a los
usuarios en tiempo real.
a)Algoritmo de Viola-Jones
El algoritmo de Viola-Jones es un algoritmo de de-
tección de rostros con un coste computacional bajo que
permite que sea empleado en tiempo real, propuesto
por Paul Viola, de Mitsubishi Electric Research Labs,
y Michael Jones, de Compaq CRL, en julio de 2001. Su
desarrollo fue motivado por el problema de la detección
de caras, donde sigue siendo ampliamente utilizado,
pero puede aplicarse a otras clases de objetos que, como
las caras, estén caracterizados por patrones típicos de
iluminación.
El algoritmo se basa en la comparación entre las in-
tensidades luminosas de regiones rectangulares de las
imágenes denominadas Caracteristicas Haar-Like que
calcula empleando una imagen integral. Estos clasi-
cadores, que por sí mismos tienen una probabilidad de
acertar solo ligeramente superior a la del azar, se agru-
pan en una cascada empleando un algoritmo de apren-
dizaje basado en AdaBoost para conseguir un alto ren-
dimiento en la detección, así como una alta capacidad
discriminativa en las primeras etapas.
(1)Caracteristicas Haar Like
Haar-Like es una característica simple rectangular
que se usa como una característica de entrada para el
clasicador en cascada. En la gura 2, hay algunos l-
tros basados en la característica Haar-Like. Aplicando
cada uno de estos ltros en uno. En el área especial de la
imagen, las sumas de píxeles debajo de las áreas blan-
cas se restan de las sumas de píxeles debajo de las áreas
negras. Es decir, el peso del área blanca y negra se pue-
de considerar como "1" y "-1", respectivamente.
Figura 2. Filtros basados en características Haar-li-
ke
Estas características son rasgos muy simples que se
buscan en las imágenes y que consisten en la diferencia
de intensidades luminosas entre regiones rectangulares
adyacentes. Las características por tanto quedan de-
nidas por unos rectángulos y su posición relativa a la
ventana de búsqueda y adquieren un valor numérico
resultado de la comparación que evalúan. En el trabajo
Gonzalez et al., Reconocimiento facial utilizando viola-jones
59
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 23, Nº 92 Junio 2019 (pp. 57-63)
EISSN 2542-3401
de Viola-Jones, las características se denen sobre una
ventana de búsqueda básica de 24x24 píxeles, lo que da
lugar a más de 180000 características posibles.
(2)Imagen Integral
Imagen integral es un método rápido para calcular la
característica Haar-Like. La imagen integral es la suma
de todos los valores de píxeles en la parte superior e
izquierda de la posición (x, y). El área negra de la gura
3 muestra la imagen integral. Con la imagen integral, la
característica Haar-Like se puede calcular rápidamente
mediante una simple suma y resta.
Figura 3. Imagen integral de un punto
La localización x, y, contiene la suma de los píxeles de
la parte superior izquierda de la imagen y se puede cal-
cular como se indica a continuación
(1)
Donde II(x,y) es la imagen integral e Im(x^',y^') es
la imagen original.
Algoritmo AdaBoost
El algoritmo de AdaBoost (un meta-algoritmo de
machine learning) para elegir características y mejorar
el rendimiento se usa repetidamente. AdaBoost es un
método de clasicación que combina varios clasicado-
res básicos para formar un único clasicador más com-
plejo y preciso. La idea se basa en la armación de que
varios clasicadores sencillos, cada uno de ellos con
una precisión ligeramente superior a una clasicación
aleatoria, pueden combinarse para formar un clasica-
dor de mayor precisión, siempre y cuando se disponga
de un número suciente de muestras de entrenamiento.
El algoritmo Viola Jones utiliza el AdaBoost en la
forma en que mezcla una serie de clasicadores Ada-
Boost como una cadena de ltros. Cada ltro es un cla-
sicador AdaBoost separado que consta de unos pocos
clasicadores débiles. Si cada uno de estos ltros en la
región de aceptación de la imagen muestra que el ros-
tro falla, esta área se clasica inmediatamente como no
rostro. Cuando un ltro acepta un área de imagen como
rostro, el área ingresa al siguiente ltro en la cadena. Si
esta área de la imagen pasa con éxito todos los ltros de
cadena, se clasica como rostro.
En este algoritmo, cada ciclo de potenciar una ca-
racterística entre todas las demás características poten-
ciales se selecciona y, al nal, la clasicación nal será
una combinación lineal de la clasicación inicial débil.
*Dado un conjunto de imágenes (x
i
,y
i
),…,(x
n
,y
n
)
donde y
i
=0,1 para muestras negativas y positivas res-
pectivamente.
*Inicializar los pesos para y
i
=0,1 , donde
m es el numero muestras negativas y l es el número de
muestras positivas.
*Para t=1,… ,T:
1.Normalizar los pesos
(2)
Donde w
t
es la distribución de probabilidad
Por cada característica j, entrena un clasicador h
j
el
cual es restringido por una simple característica. El
error es evaluado con respecto a w
t
(3)
2.Se escoge el clasicador con menor error
3.Se actualizan los pesos
(4)
Donde e
i
=0 si el ejemplo x
i
se clasica correctamen-
te y 1 en caso contrario y
•El clasicador nal es
(5)
donde
(4)Clasicador en cascada
En vez de construir un único clasicador mediante
el proceso Adaboost, se pueden construir clasicadores
más pequeños y ecientes que rechacen muchas venta-
nas negativas (es decir, aquellas que no incluyan ningu-
na instancia del objeto buscado) manteniendo casi todas
las positivas (es decir, las que contienen una instancia
Gonzalez et al., Reconocimiento facial utilizando viola-jones

(
,
)
= (
,
)
,
1,
=
1
2
,
1
2
,
,
,
=1
=

(
)
+1,
=
,
1
(
)
=
1 
(
)
1
2
=1
=1
0   
=
1
6060
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
60
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 23, Nº 92 Junio 2019 (pp. 57-63)
EISSN 2542-3401
del objeto buscado). Estos clasicadores más simples
se utilizan para rechazar la mayoría de las ventanas de
búsqueda y solo en aquellas en las que hay mayores
probabilidades de encontrar caras se llama a clasica-
dores más complejos que disminuyan el número de fal-
sos positivos.
Figura 4 Clasicador en cascada
Se obtiene así una cascada de clasicadores, cada
uno de los cuales es entrenado con AdaBoost y después
sus valores umbrales se ajustan para minimizar los fal-
sos negativos. La cascada entrenada por Viola-Jones
tiene 38 etapas y más de 6000 características, pero de
media se evalúan únicamente 10 características por
ventana de búsqueda.
b)Detenccion del rostro
Empleando el algoritmo de Viola-Jones explicado
anteriormente, se hace posible un detector de caras ro-
busto basado en un clasicador en cascada.
Figura 5 Deteccion del rostro
2)Preprocesado de la imagen
En esta segunda etapa, se le aplican una serie de
transformaciones a cada rostro detectado anteriormen-
te para que la extracción de características sea lo más
efectiva posible. Las operaciones que se llevan a cabo
en esta fase son el escalado, el recorte y la ecualización
del histograma. Tras nalizar esta fase se obtiene una
imagen por cada rostro detectado, en la que aparece úni-
camente el rostro ecualizado.
El escalado consiste en proporcionar un tamaño
determinado al rostro de forma que todos tengan las
mismas proporciones. Para realizar esta operación se
aconseja que la distancia entre el centro de los dos ojos.
Tomando esa distancia como referencia para el proceso
de escalado, se consigue que todas las imágenes tengan
unas proporciones muy similares facilitando, así, las ta-
reas de comparación. Después del proceso de escalado,
es el momento de recortar la imagen.
Por último, para acabar con el proceso de normali-
zación, se realiza una ecualización del histograma a la
imagen recortada. El objetivo de esta transformación es
conseguir que el histograma de la imagen convertida a
escala de grises sea lo más uniforme posible, es decir,
que el número de píxeles para cada nivel de gris sea lo
más igualado posible.
Figura 5 Procesamiento de la imagen
Extraccion de las características faciales
La extracción de características en imágenes y se-
cuencias de imágenes faciales consiste en extraer in-
formación asociada con la activación de los diferentes
músculos del rostro, esta tarea puede realizarse en for-
ma global u holística en donde se analiza el rostro como
un solo conjunto o localmente en donde se seleccionan
regiones de interés del rostro como ojos, cejas y boca.
La extracción de características se emplea para ob-
tener la información que resulta relevante de cara a
realizar una comparación. Durante las últimas décadas
se han desarrollado un gran número de algoritmos para
llevar a cabo dicha extracción en el ámbito del recono-
cimiento facial. En este trabajo se estudiará la técnica
Gonzalez et al., Reconocimiento facial utilizando viola-jones
61
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 23, Nº 92 Junio 2019 (pp. 57-63)
EISSN 2542-3401
dependiente de pose Patrones Locales Binarios (LBP),
puesto que no requiere un equipamiento especializado
para la captura de imágenes o capturas muy especícas
controladas.
Algoritmo de Reconocimiento Facial usando Patro-
nes Binarios Locales
El descriptor o algoritmo de Patrones Binarios Lo-
cales (LBP) es uno de los más conocido y ampliamente
usado en el contexto de reconocimiento de rostros. La
fórmula genérica para calcular una descripción de pa-
trones locales para un pixel p_c dado, es el siguiente:
(6)
En la ecuación p
c
y p
i
, i=0,1…7, serán el valor en es-
cala de grises del pixel central y sus vecinos respectiva-
mente. El operador LBP produce 2^i diferentes valores
de salida correspondientes a los 2^i distintos patrones
binarios formados por i pixeles de su alrededor. Si la
imagen es rotada, estos pixeles a su alrededor de cada
vecino se moverán correspondientemente junto al perí-
metro de la muestra, resultando en un distinto valor de
LBP.
En la gura 6, se muestra un ejemplo de la operación
básica LBP para el cálculo de un pixel dado. Una opera-
ción de umbralización S() transforma los elementos de
la matriz construida a partir de pixel central y sus veci-
nos, en binarios comparándolos con el valor del elemen-
to central. Los números obtenidos son concatenados en
dirección de las manecillas del reloj y un nuevo valor de
etiqueta para el pixel central es calculado. El operador
LBP es usado a menudo para vecindades circulares con
diferentes radios. Este descriptor es robusto a cambios
de monotonos de iluminación y además relativamente
fácil de calcular.
Figura 6 Ejemplo básico de operador LBP
Los histogramas son construidos, por las etiquetas
de los pixeles. Una concatenación de todas las descrip-
ciones para cada bloque lleva a la obtención de la geo-
metría global del rostro codicada en un solo vector.
Las ventajas de tales propuestas radican en su robustez
a cambios en la pose, expresión e iluminación.
4)Reconocimiento del rostro
Finalizada la extracción de características se llega a
la última fase, cuyo objetivo es determinar qué imagen
del conjunto de entrenamiento es más parecida a la ima-
gen de la base de datos, a partir de sus representaciones
mediante las LBP. Para calcular la distancia se usa la
distancia euclídea con el n de tomar una decisión.
Figura 7 Reconocimiento del usuario
En esta fase se analiza la distancia entre la proyec-
ción de la imagen del usuario donde se quiere hacer el
reconocimiento y las correspondientes a las imágenes
de entrenamiento en la base de datos. El resultado co-
rresponderá con el acierto que se obtuvo en reconocer al
usuario con respecto a las imágenes almacenadas.
a)Distancia Euclidea
La distancia euclídea es una de las medidas más bá-
sicas para calcular distancias. Esta distancia se dene
como la distancia directa entre dos puntos en un plano.
El ejemplo más claro es la distancia entre dos puntos
en un plano de dos dimensiones de coordenadas x e y.
Si tuviéramos dos puntos P
1
y P
2
con coordenadas (x
1
,
x
1
) y (x
2
, y
2
) respectivamente, el cálculo de la distancia
euclídea entre los mismos sería
(7)
En general, la distancia euclídea entre dos puntos
P=(P
1
,P
2
,…,Pn) y Q=(Q
1
,Q
2
,…,Qn) en el espacio euclí-
deo n-dimensional vendría denida
(8)
III.RESULTADOS
Se procederá a evaluar el rendimiento que ofrece el
sistema de reconocimiento facial. Las pruebas que se
llevan a cabo son para comprobar diferentes caracte-
rísticas del funcionamiento del sistema. Se realizaron
diferentes pruebas a 4 usuarios utilizando diferentes ca-
racterísticas que se puedan presentar utilizando diferen-
tes tipos de condiciones para comprobar en cuál de los
casos el sistema presenta los mejores resultados y así
Gonzalez et al., Reconocimiento facial utilizando viola-jones

= (
)
7
=0
2
(
1
,
2
)
=
(
2
1
)
2
+
(
2
1
)
2
6262
Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)
ISSN 2542-3401
62
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 23, Nº 92 Junio 2019 (pp. 57-63)
EISSN 2542-3401
tener un mejor reconocimiento del usuario.
Figura 8 Usuarios registrados
A.Reconocimiento facial con respecto al número de
imágenes de entrenamiento
Se realizaron pruebas para comprobar que tan e-
ciente es el sistema identicando al usuario, se consi-
deraron varios números de imágenes de entrenamiento
para ver qué tan eciente es el sistema en reconocer a
diferentes usuarios, para esta prueba se las imágenes
tomadas en diferentes ambientes, posiciones, e ilumi-
nación. Se realizaron las pruebas para cada uno de los
usuarios.
Tabla I.Reconocimiento facial con respecto al núme-
ro de imágenes de entrenamiento
Se puede apreciar que a medida que la cantidad de
imágenes aumentan, la exactitud que tiene en recono-
cer al usuario aumenta también, considerando que es
necesario una cantidad necesarias de imágenes de en-
trenamiento para que el sistema obtenga una mayor re-
puesta. Hay que tener en consideración que a medida
que aumenta el número de imágenes de entrenamiento
la capacidad de procesarlas es mayor, haciendo que el
sistema disminuya la velocidad de procesamiento para
reconcomiendo del usuario.
B.Reconocimiento facial con respecto al tamaño de
las imágenes de entrenamiento.
Para comprobar que tan eciente es el reconoci-
miento facial se utilizaron diferentes tamaños para las
imágenes de entrenamiento en la base de datos, para
este caso se utilizaron 200 imágenes de entrenamiento
con las imágenes tomadas en el mismo ambiente, posi-
ción e iluminación. Se hicieron las pruebas para cada
uno de los usuarios, en los resultados obtenidos que se
mostrarán a continuación.
Tabla II.Reconocimiento facial con respecto al tama-
ño de las imágenes
Aumentado el tamaño de las imágenes de entrena-
miento podemos observar que estas empiezan a dismi-
nuir el porcentaje de acierto con respecto a la persona
que se este reconocimiento, teniendo así que para poder
obtener un resultado con mayor precisión es necesario
que la imagen solo sea el rostro del usuario sin que las
imágenes del entrenamiento capten el entorno que lo
rodean.
C.Reconocimiento facial con respecto a la ilumina-
ción
Variando las condiciones de iluminación del ambien-
te donde se hacían el reconocimiento facial, evaluando
que tan eciente es el sistema cuando se presenta varia-
ciones con respecto a la iluminación para cada uno de
los usuarios registrados. Para estas pruebas se utilizaron
diferentes locaciones, se contaron con 200 imágenes de
entrenamiento para cada uno de los usuarios, con imá-
genes del mismo tamaño.
Los rangos de iluminación que se presentan son los
valores que se pueden encontrar en una ocina o un ho-
gar con una buena iluminación.
Gonzalez et al., Reconocimiento facial utilizando viola-jones
63
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 23, Nº 92 Junio 2019 (pp. 57-63)
EISSN 2542-3401
Tabla III.Reconocimiento facial con respecto a la
iluminación
Utilizando diferentes condiciones de iluminación de
menor a mayor, se pudo ver que la capacidad de reco-
nocer al usuario aumenta progresivamente, teniendo en
consideración que la iluminación no interera con la
lente de la cámara, ya que esto ocasiona que el recono-
cimiento no se pueda realizar.
IV.CONCLUSIONES
El reconocimiento facial es de gran utilidad para la
identicación de personas, ya que es un método no in-
trusivo y que no requiere de mucha colaboración por
parte del usuario al momento del reconocimiento.
Es necesario realizar una base de datos del rostro
actualizada del usuario con diferentes ángulos, expre-
siones y con una cantidad bastante grande de imágenes,
para que el reconocimiento facial pueda identicar a la
persona de una manera más precisa y eciente.
Contar con una cámara de una gran resolución colo-
cada en una posición favorable y con una buena ilumi-
nación que el reconocimiento del usuario sea más e-
caz, con mayor precisión y que no se vea afectado por
elementos externos.
Hay diferentes elementos que pueden hacer que el
reconocimiento facial no pueda identicar al usuario al
momento de su funcionamiento, por lo que es necesario
tener este tipo de sistema en un ambiente controlado y
también que los usuarios sean consiente de este sistema
para que este pueda trabajar lo mejor posible.
V.REFERENCIAS
[1] Borroso, C. (2014). Implementacion del algoritmo
de deteccion de caras de viola y jones sobre un FPGA.
Madrid: Universidad Carlos III de Madrid.
[2]Cabello, E. (2009). Tecnica de reconocimiento facial
mediante redes neuranales. Madrid: Universidad Poli-
tecnica de Madrid
[3]Dominguez, S. (2017). Reconocimiento Facial me-
diante el analisis de componentes principales (PCA).
Sevilla: Universidad de Sevilla.
[4]Espinoza, D., & Jorquea, P. (2015). Reconocimiento
Facial. Valparaiso: Ponticia Universidad Catolica del
Valparaiso.
[5]Guevara, M. (2008). Deteccion de rostros en ima-
genes digitales usando clasicadores cascada. Pereira:
Scientia et Techinca
[6]Holman, A. (2015). Uso de redes neuronales para el
reconocimiento de rostros en ambientes controlados.
Bogota: Universidad Distrital Francisco Jose de Caldas
[7]Ramirez, J. (2011). Redes neuronales articiales
para el procesamiento de imagenes,. RIEE&C
[8]Chen, D.-S., & Zhen-Kai, L. (2007). Generalized
Haar-Like Features for Fast Face Detection. Hong
Kong: International Conference on Machine Learning
and Cybernetics.
[9]Viola, P., & Jones, M. (2001). Rapid Object De-
tection using a Boosted Cascade of Simple Features.
Kauia: IEEE Computer Society Conference on Compu-
ter Vision and Pattern Recognition.
[10]Viola, P., & Jones, M. (2001). Robust Real-Time
Face Detection. Vancover: Second International Works-
hop on Statistical and Computational Theories of Vi-
sion- Modeling, Learning, Computing and Sampling.
Gonzalez et al., Reconocimiento facial utilizando viola-jones