Detección de rostros con aplicaciones en la educación
Resumen El e-learning ha cobrado mayor importancia, especialmente en la actualidad, en el contexto de la pandemia de COVID. En este tipo de aplicaciones educativas, es de suma utilidad aplicar técnicas de detección de rostros para apoyar a los profesores en línea. No solo para la automatización del...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | México |
| Institución: | Universidad Autónoma del Estado de Morelos |
| Repositorio: | Repositorio Institucional de Acceso Abierto de la Universidad Autónoma del Estado de Morelos |
| Idioma: | español |
| OAI Identifier: | oai:http://riaa.uaem.mx:20.500.12055/2409 |
| Acceso en línea: | http://riaa.uaem.mx/handle/20.500.12055/2409 |
| Access Level: | acceso abierto |
| Palabra clave: | info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/12 Visión Computacional, Filters Haar, Adaboost, enseñanza en línea. Computer vision, Haar Filters and Adaboost, online teaching. |
| Sumario: | Resumen El e-learning ha cobrado mayor importancia, especialmente en la actualidad, en el contexto de la pandemia de COVID. En este tipo de aplicaciones educativas, es de suma utilidad aplicar técnicas de detección de rostros para apoyar a los profesores en línea. No solo para la automatización del pase de lista y para la supervisión (proctoring) en las evaluaciones en línea, sino también para identificar las emociones académicas, el compromiso de aprendizaje o el aburrimiento para realizar la tarea de adaptación automática. En esta investigación, discutimos la aplicación de filtros Haar y clasificador Adaboost (Viola y Jones 2001) para la detección de rostros, con el fin de facilitar el conteo y supervisión en las actividades de educación en línea. Para ello, analizamos 1,100 imágenes positivas (rostros) y 1,100 imágenes negativas (sin rostros) para entrenar un modelo; obtenemos nuestro propio archivo Myhaar.xml y lo comparamos con el archivo haarcascade_frontalface_default.xml predeterminado de OpenCV, para esta prueba usamos 150 imágenes positivas y 150 imágenes negativas recolectadas de diferentes videoconferencias del mundo real. Los resultados muestran que la precisión balanceada de nuestra propuesta es mejor con un (87 % vs 82 %) que la clasificación frontal predeterminada de OpenCV. La principal contribución de este trabajo es la aplicación de una técnica clásica y de bajo costo para la detección de rostros en entornos educativos en línea. |
|---|