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

5.5. Limitaciones 117
esta mejora, se evitarían los casos que provocan que decaigan las prestaciones del sistema,
mostradas en el apartado 5.4.2.1. Es decir, estos 6 peores vídeos tienen una gran influencia
negativa en el hecho de que la distancia entre el valor medio del Detected Student Presence
Time (DSPT) difiera en 9 puntos del valor medio del Real Student Presence Time (RSPT),
y que el valor medio del Detected Student Frontal Pose Time (DSFPT) difiera en 30 puntos
del valor medio del Detected Student Presence Time (DSPT).
Por otra parte, los factores más influyentes en degradación de la precisión obtenida en
la medida de detección de atención, tal y como se ha modelado en esta Tesis, son los
siguientes. Por un lado, las oclusiones de la cara hacen que se degraden las prestaciones
en la estimación del tiempo de pose frontal, debido al comportamiento poco robusto del
detector de Viola & Jones en el proceso de detección de caras frontales cuando existen
oclusiones. Por otro lado, la posición de la webcam es crítica para la detección de los
intervalos de tiempo en que el estudiante está mirando el teclado, si la posición de la
webcam es adecuada el detector de caras frontales de Viola & Jones nos permite detectar
como caras frontales esos instantes gracias al margen en pose que ofrece el detector. Estos
factores nos indican que parece necesario incorporar en el proceso de modelado de pose
de estudiante, la información de seguimiento que procede de los seguidores de piel y de
rasgos biométricos, para reducir su influencia.
5.5. Limitaciones
En esta sección presentamos algunas de las limitaciones existentes en el sistema presentado.
Actualmente, para el proceso de estimación de pose del estudiante sólo se está utilizando
la información del detector de caras frontales. La incorporación en este
proceso de las medidas que proporciona el seguidor de rasgos faciales (ojos, nariz
y boca) mejoraría la precisión en esta estimación. El proceso de fusión de estas dos
informaciones se podría realizar de la siguiente manera: a lo largo de una sesión de
aprendizaje, el detector de caras frontales nos marca instantes temporales donde la
cara del usuario tiene una pose frontal. Podemos analizar para esos instantes la relación
existente entre las posiciones relativa de los rasgos faciales que nos devuelve
el seguidor de rasgos faciales, y generar criterios de frontalidad en base a esa información.
Después, aplicaríamos al resto de los instantes de la sesión esos mismos
criterios etiquetando como instantes frontales aquellos en los que se cumplan.
La precisión en la detección de tiempo de presencia y de atención de la solución
implementada depende en gran medida de la correcta ubicación de la cámara web
con respecto al centro-superior de la pantalla. Para ofrecer una solución que no
imponga ninguna restricción sobre la ubicación de la webcam, debe remplazarse el
algoritmo actual de estimación de pose por otro que proporcione un mayor grado
de libertad, como por ejemplo Active Appearance Models (AAM).
Es necesaria la adición de nuevos módulos que enriquezcan el proceso de monitorización,
incorporando funcionalidad como la detección de estado de ánimo del
alumno, la detección del tiempo de lectura dedicado a cada contenidos, etc.