Desarrollo de Soluciones Cliente-Servidor para la Verificación ...

More documents

Recommendations

Info

Capítulo 5. Diseño y Desarrollo de un Sistema de Monitorización Biométrica de 100 Estudiante para Plataformas LMS Por otra parte, la salida del módulo de monitorización son unas trazas que nos indican los intervalos de tiempo de presencia y de atención de cada individuo detectado. Cada intervalo de seguimiento se inicia en el instante en que se detecta una cara frontal, y se finaliza cuando el detector de piel pierde al individuo. En lo referente a los intervalos de presencia, éstos son catalogados del mismo modo que las imágenes procesadas por el módulo de seguimiento con las siguientes etiquetas: identidad indeterminada, impostor y estudiante. Para catalogar un intervalo se aplica una regla coherente sobre las etiquetas asignadas a los instantes temporales que lo componen. Si en un mismo intervalo asociado a un individuo hay instantes en los que éste estuvo catalogado como identidad indeterminada (mientras no se disponga de una cara frontal para hacer una verificación), luego impostor (la cara frontal seleccionada produjo un resultado bajo en su comparación con el modelo del estudiante), y finalmente estudiante (verificación positiva); todo el intervalo pasa a ser catalogado como estudiante. Si el individuo desaparece antes de conseguir una verificación positiva, el intervalo es catalogado como impostor si se ha realizado alguna verificación que ha dado ese resultado, o identidad indeterminada si no se encontró ninguna cara candidata para hacer una verificación frontal. Los intervalos de tiempo etiquetados como estudiante nos permiten estimar el tiempo total que el módulo de seguimiento está suficientemente seguro de que la identidad del individuo monitorizado se corresponde con el estudiante. Es importante aclarar aquí que los intervalos de tiempo etiquetados como impostor incluyen tanto los intervalos de presencia de otro estudiante, como los intervalos de presencia del propio estudiante en los que no se ha podido realizar una verificación positiva de su identidad (debido a problemas de calidad de las muestras, errores de detección de pose, etc). Esto significa que el valor de tiempo de detección de presencia de estudiante que ofrece el módulo de sistema debe verse como una cota inferior del tiempo real. En lo referente a los intervalos de atención, los hemos definido como los intervalos de tiempo en los que el estudiante ha estado interactuando con los contenidos del LMS, ya sea mirando hacia la pantalla, o mirando hacia el teclado. Dada la restricción impuesta en esta Tesis sobre la ubicación de la webcam, asociamos detección de atención con detección de pose frontal en la imagen procesada. Actualmente, para la detección de la pose frontal sólo estamos utilizando la información que devuelve el detector de caras frontales de Viola & Jones, pero se debería emplear también la información devuelta por el seguidor de rasgos faciales (Lucas-Kanade) y el detector de piel (Cam-Shift), que también está siendo almacenada durante la sesión. El criterio que hemos escogido para reducir la influencia de los fallos de detección del algoritmo de Viola & Jones en la medida del tiempo de atención, consistió en aplicar una ventana temporal de 1 segundo a todos los intervalos de pose frontal detectados, de manera que se fusionan todos aquellos cuya distancia temporal fuese inferior al tamaño de esa ventana. La justificación que nos permite aplicar este criterio se basa en que la conducta típica de un estudiante, durante una sesión de aprendizaje, no incluye habitualmente movimientos excesivamente bruscos. Es por ello que parece coherente asignar la ausencia de cara frontal entre dos intervalos de pose frontal que distan entre si menos de 1 segundo, a un error del detector, que al comportamiento brusco del estudiante. La Figura 5.5 muestra un ejemplo de monitorización de estudiante donde el cuadrado identifica la detección de la cara frontal y de los ojos, y la elipse identifica la detección de
5.2. Diseño y Desarrollo del Proyecto BioWebMonitor 101 Figura 5.5: Salida visual del módulo de monitorización de alumnos en tiempo real. El color de los cuadrados y elipses describe el estado de autenticación de la cara detectada. Verde para estudiantes verificados, rojo para impostores, y naranja para aquellos que todavía no han sido verificados. la piel de la cara. El color de los cuadrados y de las elipses determina si el estudiante ya ha sido verificado satisfactoriamente (verde), sin éxito (rojo), o si el todavía no se ha podido detectar una cara frontal con calidad suficiente, en términos de simetría y contraste, para realizar la identificación del estudiante (naranja). 5.2.4. Sincronización de relojes entre la plataforma LMS y el Framework BWM En este capítulo presentamos un framework externo al LMS que gestiona el proceso de monitorización del comportamiento del estudiante mientras visualiza los contenidos de aprendizaje. Como hemos dicho anteriormente, esta monitorización se basa en la detección de los intervalos de presencia y de atención que el estudiante dedica a los contenidos. En este proceso de monitorización se ven envueltos tres actores: la plataforma LMS, el servidor BWM, y la aplicación cliente de BWM que realiza la monitorización en el equipo del estudiante. Como la localización de cada uno de estos tres actores se puede corresponder con un ordenador diferente, es necesario realizar un proceso de sincronización virtual entre sus relojes. Esta sincronización automática es necesaria para poder asociar de un modo fiable a un contenido de aprendizaje, el resultado correspondiente de la monitorización biométrica que se le ha realizado. Esta tarea de sincronización automática de relojes se incluye en el protocolo de autenticación de BWM y se realiza de la siguiente manera. Al comienzo de cada sesión de aprendizaje el LMS delega en el servidor de BWM el proceso de autenticación biométrica del estudiante. Es en ese momento, cuando el LMS proporciona al servidor BWM la información necesaria para llevar a cabo la tarea de sincronización. Desde el servidor de BWM se inicia automáticamente la ejecución de la aplicación cliente de BWM en el equipo del estudiante utilizando la tecnología Java Web Start. Esta aplicación cliente, que va a realizar la tarea de autenticación e iniciar el proceso de monitorización de estudiante, recibe la información de sincronización y ajusta el valor de su reloj interno. Como hemos mencionado, esta sincronización tiene como fin asegurar que los intervalos de tiempo detectados por la aplicación cliente de BWM durante la monitorización de estudiante, sean
Page 1:
Desarrollo de Soluciones Cliente-Se
Page 5:
Dpto. de Teoría de la Señal y Com
Page 9:
”Se nos conoce por nuestros actos
Page 13 and 14:
Abstract The use of online learning
Page 15 and 16:
Resumen En los últimos años y deb
Page 17:
Agradecimientos Por fin se acerca e
Page 20 and 21:
VIII Tabla de Contenidos 3. Base Te
Page 22 and 23:
X Tabla de Contenidos 6.1.1. Diseñ
Page 24 and 25:
XII Lista de Figuras 4.9. Interfaz
Page 27 and 28:
Capítulo 1 Introducción Contenido
Page 29 and 30:
1.1. Introducción al E-learning 3
Page 31 and 32:
Page 33 and 34:
Page 35 and 36:
1.2. Introduccion a la Biometría 9
Page 37 and 38:
1.2. Introduccion a la Biometría 1
Page 39 and 40:
1.3. Motivación y Objetivos de la
Page 41:
1.4. Estructura de la Tesis 15 Fina
Page 44 and 45:
18 Capítulo 2. Estado del Arte 2.1
Page 46 and 47:
20 Capítulo 2. Estado del Arte nav
Page 48 and 49:
22 Capítulo 2. Estado del Arte la
Page 50 and 51:
24 Capítulo 2. Estado del Arte WG1
Page 52 and 53:
26 Capítulo 2. Estado del Arte las
Page 54 and 55:
28 Capítulo 2. Estado del Arte 2.3
Page 57 and 58:
Capítulo 3 Base Tecnológica Conte
Page 59 and 60:
3.1. Tecnologías Biométricas 33 F
Page 61 and 62:
3.1. Tecnologías Biométricas 35 n
Page 63 and 64:
3.2. Single Sign-On para el Web 37
Page 65 and 66:
3.2. Single Sign-On para el Web 39
Page 67 and 68:
3.3. Servicios Web 41 Los datos han
Page 69 and 70:
3.3. Servicios Web 43 mánticas y c
Page 71 and 72:
3.4. Procesado de Imagen 45 de cara
Page 73 and 74:
3.4. Procesado de Imagen 47 se desp
Page 75 and 76: 3.4. Procesado de Imagen 49 1. Se e
Page 77 and 78: 3.5. Patrones de diseño 51 No obst
Page 79 and 80: 3.5. Patrones de diseño 53 Prototy
Page 81 and 82: 3.5. Patrones de diseño 55 Recurso
Page 83 and 84: Capítulo 4 Diseño y Desarrollo de
Page 85 and 86: 4.2. Proyecto de Código Libre BioW
Page 101 and 102: 4.3. Integración de BWA con las Pl
Page 103 and 104: 4.5. Desarrollo de Módulos de Reco
Page 109 and 110: 4.6. Alcance, Difusión y Repercusi
Page 111 and 112: 4.7. Limitaciones 85 gue el 01/03/2
Page 113: 4.8. Conclusiones 87 ILIAS, Moodle
Page 116 and 117: 90 Capítulo 5. Diseño y Desarroll
Page 128 and 129: Capítulo 5. Diseño y Desarrollo d
Page 147 and 148: Capítulo 6 Contribuciones, Conclus
Page 149 and 150: 6.2. Conclusiones 123 6.1.2. Diseñ
Page 151 and 152: 6.3. Trabajos Futuros 125 Por otra
Page 153 and 154: 6.3. Trabajos Futuros 127 [Gonzále
Page 155 and 156: Apéndice A Apéndice Contenido A.1
Page 157 and 158: A.2. Estadísticas Detalladas sobre
Page 171 and 172: A.3. Resultados Alternativos del M
Page 173 and 174: Bibliografía [Alba-Castro y otros,
Page 175 and 176: BIBLIOGRAFÍA 149 [Davis y Mermelst
Page 177 and 178:
BIBLIOGRAFÍA 151 [Ortega-Garcia y
Page 179 and 180:
BIBLIOGRAFÍA 153 [González Agulla
Page 181 and 182:
Apéndice B Acrónimos y Abreviatur
show all

Desarrollo de Soluciones Cliente-Servidor para la Verificación ...

Create successful ePaper yourself

Delete template?

Save as template?