La biometría facial es una tecnología capaz de recabar los datos biométricos de un rostro. Aunque tanto la biometría como las redes neuronales tienen sus raíces teóricas en la mitad del siglo XX, su implementación y uso generalizado no ha sido posible hasta hace unos años. El notable incremento en la potencia computacional y la gran profusión de datos disponibles en la actualidad han facilitado el uso generalizado de las redes neuronales. La biometría facial necesita medir las características fisiológicas para diferenciar un rostro del resto de la imagen. Esto supone la recopilación de una gran cantidad de características (datos). El análisis de grandes cantidades de datos, que en el caso de imágenes son datos no estructurados, no es una tarea fácil. En la última década el aprendizaje profundo (DL - Deep Learning) ha dado un vuelco al análisis de imágenes, donde el rendimiento de las redes neuronales convolucionales (ConvNet -Convolutional Neural Networks) ha superado a todas las técnicas previas, cosechando grandes éxitos en la detección y diferenciación de objetos en una imagen. Por todo esto, las ConvNet se han puesto a la cabeza en el tratamiento de datos con imágenes. Una vez encontrado un rostro, mediante la biometría facial, además de detectar y/o reconocer rostro/s humano/s en una imagen o video, se puede procesar mucha información asociada: identificación, emociones, seguimiento en video, reconstrucciones faciales, y muchas otras. Este trabajo se centra en el Reconocimiento Facial porque reúne la mayoría de los procesos y tratamiento de datos que se necesitan en la biometría facial. Se realiza una revisión del "Estado del Arte en el Reconocimiento Facial" y una prueba de concepto: "Detección y Reconocimiento Facial a través de una webcam".

La biometria facial és una tecnologia capaç de recaptar les dades biomètriques d'un rostre. Encara que tant la biometria com les xarxes neuronals tenen les seves arrels teòriques en la meitat del segle XX, la seva implementació i ús generalitzat no ha estat possible fins fa uns anys. El notable increment en la potència computacional i la gran profusió de dades disponibles en l'actualitat han facilitat l'ús generalitzat de les xarxes neuronals. La biometria facial necessita mesurar les característiques fisiològiques per a diferenciar un rostre de la resta de la imatge. Això suposa la recopilació d'una gran quantitat de característiques (dades). L'anàlisi de grans quantitats de dades, que en el cas d'imatges són dades no estructurades, no és una tasca fàcil. En l'última dècada l'aprenentatge profund (DL - Deep Learning) ha fet un tomb a l'anàlisi d'imatges, on el rendiment de les xarxes neuronals convolucionals (ConvNet -Convolutional Neural Networks) ha superat a totes les tècniques prèvies, collint grans èxits en la detecció i diferenciació d'objectes en una imatge. Per tot això, les ConvNet s'han posat al capdavant en el tractament de dades amb imatges. Una vegada trobat un rostre, mitjançant la biometria facial, a més de detectar i/o reconèixer rostre/s humà/s en una imatge o vídeo, es pot processar molta informació associada: identificació, emocions, seguiment en vídeo, reconstruccions facials, i moltes altres. Aquest treball se centra en el Reconeixement Facial perquè reuneix la majoria dels processos i tractament de dades que es necessiten en la biometria facial. Es realitza una revisió del "Estat de l'Art en el Reconeixement Facial" i una prova de concepte: "Detecció i Reconeixement Facial a través d'una webcam".

Facial biometrics is a technology capable of collecting biometric data from a face. Although both biometrics and neural networks have their theoretical roots in the mid-20th century, their widespread implementation and use have only been possible in recent years. The remarkable increase in computational power and the wealth of data now available have facilitated the widespread use of neural networks. Facial biometrics needs to measure physiological characteristics to differentiate a face from the rest of the image. This involves the collection of a large number of features (data). Analyzing large amounts of data, which in the case of images are unstructured data, is not an easy task. In the last decade, Deep Learning (DL) has turned image analysis on its head, where the performance of Convolutional Neural Networks (ConvNet) has surpassed all previous techniques, achieving great success in the detection and differentiation of objects in an image. For all these reasons, ConvNets have taken the lead in the image data processing. Once a face has been found, through facial biometrics, in addition to detecting and/or recognizing human face/s in an image or video, a lot of associated information can be processed: identification, emotions, video tracking, facial reconstructions, and many others. This paper focuses on Facial Recognition because it brings together most of the processes and data processing needed in facial biometrics. A review of the 'State of the Art in Facial Recognition' and a proof of concept: 'Facial Detection and Recognition through a webcam' is performed.