import face_recognition import os import numpy as np import base64 import cv2 def cargar_rostros(db_path="caras_db"): rostros_conocidos = [] nombres = [] for archivo in os.listdir(db_path): if archivo.lower().endswith((".jpg", ".png", ".jpeg")): ruta = os.path.join(db_path, archivo) imagen = face_recognition.load_image_file(ruta) # También preprocessamos las imágenes de la DB para consistencia imagen_mejorada = mejorar_imagen(imagen[:, :, ::-1]) # RGB->BGR->mejorar->RGB encodings = face_recognition.face_encodings(imagen_mejorada) if not encodings: # Si el preprocesamiento no ayudó, intentamos con la original encodings = face_recognition.face_encodings(imagen) if encodings: rostros_conocidos.append(encodings[0]) nombres.append(os.path.splitext(archivo)[0]) return rostros_conocidos, nombres def mejorar_imagen(frame_bgr): """ Pipeline de mejora para condiciones de poca luz: 1. Corrección gamma → levanta sombras sin quemar blancos 2. CLAHE → mejora contraste local por zona del rostro 3. Reducción de ruido → elimina granulosidad de poca luz Retorna la imagen en RGB lista para face_recognition. """ # 1. Corrección gamma adaptativa media = np.mean(cv2.cvtColor(frame_bgr, cv2.COLOR_BGR2GRAY)) if media < 80: # imagen oscura gamma = 0.5 elif media < 120: # algo oscura gamma = 0.7 else: gamma = 1.0 # luz aceptable, sin cambios if gamma != 1.0: tabla = np.array([ ((i / 255.0) ** gamma) * 255 for i in range(256) ], dtype=np.uint8) frame_bgr = cv2.LUT(frame_bgr, tabla) # 2. CLAHE sobre canal L del espacio LAB lab = cv2.cvtColor(frame_bgr, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) clahe = cv2.createCLAHE(clipLimit=2.5, tileGridSize=(8, 8)) l_eq = clahe.apply(l) lab_eq = cv2.merge([l_eq, a, b]) frame_bgr = cv2.cvtColor(lab_eq, cv2.COLOR_LAB2BGR) # 3. Reducción de ruido (suave para no perder detalles faciales) frame_bgr = cv2.fastNlMeansDenoisingColored(frame_bgr, None, h=6, hColor=6, templateWindowSize=7, searchWindowSize=21) # Retornar en RGB para face_recognition return cv2.cvtColor(frame_bgr, cv2.COLOR_BGR2RGB) def reconocer_desde_imagen(rostros_conocidos, nombres, imagen_bytes, tolerancia=0.50): """ Recibe bytes de una imagen del navegador. Aplica mejora de imagen antes de intentar el reconocimiento. Retorna (nombre, mensaje). """ np_arr = np.frombuffer(imagen_bytes, np.uint8) frame_bgr = cv2.imdecode(np_arr, cv2.IMREAD_COLOR) if frame_bgr is None: return None, "❌ No se pudo decodificar la imagen" # ── Intento 1: imagen mejorada ────────────────────────────────────────── rgb_mejorado = mejorar_imagen(frame_bgr) ubicaciones = face_recognition.face_locations(rgb_mejorado, model="hog") # ── Intento 2: sin mejora (por si la imagen ya era buena) ─────────────── if not ubicaciones: rgb_original = cv2.cvtColor(frame_bgr, cv2.COLOR_BGR2RGB) ubicaciones = face_recognition.face_locations(rgb_original, model="hog") rgb_mejorado = rgb_original # usar original si fue el que encontró caras if not ubicaciones: return None, "⚠️ No se detectó ningún rostro — mejora la iluminación o acércate más" encodings = face_recognition.face_encodings(rgb_mejorado, ubicaciones) for encoding in encodings: distancias = face_recognition.face_distance(rostros_conocidos, encoding) if len(distancias) == 0: continue idx_mejor = int(np.argmin(distancias)) distancia_mejor = distancias[idx_mejor] if distancia_mejor <= tolerancia: nombre = nombres[idx_mejor] confianza = round((1 - distancia_mejor) * 100, 1) return nombre, f"✅ Reconocido: {nombre} ({confianza}% confianza)" return None, "❌ Rostro no reconocido — intenta con mejor iluminación" def reconocer_desde_imagen_fernandoi(rostros_conocidos, nombres, imagen_bytes, tolerancia=0.50, target_id=None): """ Versión especializada para FernandoI con mejor tasa de reconocimiento. Retorna (nombre, mensaje, match_procentaje) donde match_procentaje es el porcentaje de confianza (0.0–100.0) o None si no hubo match. Si se provee target_id, valida estrictamente contra ese usuario en particular. """ np_arr = np.frombuffer(imagen_bytes, np.uint8) frame_bgr = cv2.imdecode(np_arr, cv2.IMREAD_COLOR) if frame_bgr is None: return None, "❌ Error de imagen (FernandoI)", None rgb_mejorado = mejorar_imagen(frame_bgr) ubicaciones = face_recognition.face_locations(rgb_mejorado, model="hog") if not ubicaciones: # Intento sin mejora rgb_original = cv2.cvtColor(frame_bgr, cv2.COLOR_BGR2RGB) ubicaciones = face_recognition.face_locations(rgb_original, model="hog") rgb_mejorado = rgb_original if not ubicaciones: return None, "⚠️ No se detectó rostro en la cámara", None encodings = face_recognition.face_encodings(rgb_mejorado, ubicaciones) for encoding in encodings: if target_id is not None: # Buscar índices del target_id indices = [i for i, n in enumerate(nombres) if str(n) == str(target_id)] if not indices: return None, f"❌ No hay foto base registrada para el ID {target_id}", None rostros_target = [rostros_conocidos[i] for i in indices] distancias = face_recognition.face_distance(rostros_target, encoding) if len(distancias) == 0: continue distancia_mejor = min(distancias) confianza = round((1 - distancia_mejor) * 100, 1) # Para validación contra usuario autenticado (post-PIN): # aceptar el match si la confianza es > 1% (umbral relajado). if confianza > 1.0: return target_id, f"✅ Identidad verificada ({confianza}%)", confianza else: return None, f"❌ El rostro no coincide con tu usuario (Match: {confianza}%)", confianza else: # Lógica anterior de reconocimiento general distancias = face_recognition.face_distance(rostros_conocidos, encoding) if len(distancias) == 0: continue idx_mejor = int(np.argmin(distancias)) distancia_mejor = distancias[idx_mejor] if distancia_mejor <= tolerancia: nombre = nombres[idx_mejor] confianza = round((1 - distancia_mejor) * 100, 1) return nombre, f"✅ Colaborador Reconocido: {nombre} ({confianza}%)", confianza return None, "❌ Rostro no identificado o no coincide con el usuario", None