Detección de similitud facial basado en distancias euclidianas y de datos atípicos para diferenciación de gemelos monocigóticos

Abstract

El presente estudio se enfocó en investigar un sistema avanzado de detección de similitud facial para diferenciar gemelos monocigóticos de manera precisa. Se implementaron técnicas basadas en el cálculo de distancias euclidianas y la identificación de datos atípicos, empleando algoritmos de reconocimiento facial como TensorFlow con Keras, LBPH y MTCNN. Mediante pruebas exhaustivas bajo diversas condiciones de iluminación y distancias, se evaluaron el tiempo de respuesta y la tasa de aciertos de cada algoritmo. Los resultados revelaron que MTCNN obtuvo la tasa de aciertos más alta con un promedio del 97%, seguido por TensorFlow con Keras con un promedio del 94%, mientras que LBPH alcanzó un promedio del 78%. Los hallazgos sugieren que el sistema investigado es una solución prometedora para la detección precisa de gemelos monocigóticos, con posibles aplicaciones en campos como identificación, seguridad y vigilancia.