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 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.

Abstract E-learning has grown in importance particularly nowadays under the COVID pandemic context. In this type of educational applications, it is extremely useful to apply face detection techniques to support online teachers. Not only for the automation of roll call and for proctoring (supervisión functions) in online assessments, but also to identify academic emotions, learning engagement, or boredom to carry out automatic adaptive task. In this research, we discuss the application of Haar filters and Adaboost classifer (Viola y Jones2001) forthedetectionof faces, in order to facilitate the counting and proctoring in online education activities. For this purpose, we analyzed 1,100 positives images (faces) and 1,100 negative images (no faces) to train a model; we obtain our own Myhaar.xml file and compare it with the default frontal haarcascade_frontalface_default.xml file of OpenCV, for this test we use 150 positive images and 150 negative images collected from different real world video conferences. Results show the balance accuracy of our proposal is better (87 % vs 82 %) than the default frontal classification of OpenCV. The main contribution of this paper is the application of a classic, low-cost technique, for the detection of faces in online educational settings.