Alexandra Paricela Canazas  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
Johnnathan Jimmy Ramos Blaz  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
aparicelac@unsa.edu.pe  
jramosb@unsa.edu.pe  
Patricio Dante Torres Martínez  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
Xiomara Jaquehua Mamani  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
ptorresmar@unsa.edu.pe  
xjaquehua@unsa.edu.pe  
ARK: ark:/42411/s9/a74  
PURL: 42411/s9/a74  
RECIBIDO 20/08/2022 ● ACEPTADO 24/09/2022 ● PUBLICADO 30/09/2022  
RESUMEN  
El presente articulo tiene como principal objetivo el desarrollo de un sistema que permita  
identificar las emociones de una persona mediante el reconocimiento de rostros utilizando  
inteligencia artificial. Para el desarrollo del sistema se tuvo como base el algoritmo básico de  
Eigenfaces o Análisis de Componente Principal, el cual es uno de los modelos de reconocimiento  
de rostros más utilizado. Así mismo fue utilizado el lenguaje Python y algunas de sus librerías  
disponibles como Numpy, OpenCV y Sklearn para la implementación.  
Palabras claves: Expresiones faciales; Emociones; Visión por computadora; Aprendizaje  
automático; Inteligencia artificial.  
ABSTRACT  
The main objective of this paper is the development of a system to identify the emotions in a  
person by means of face recognition using artificial intelligence. The system development was  
based on the basic algorithm of Eigenfaces or Principal Component Analysis, which is one of the  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
most widely used face recognition models.In addition, Python language and some of its available  
libraries as Numpy, OpenCV y Sklearn were used for the implementation.  
Keywords: Facial expressions; Emotions; Computer Vision; Machine Learning; IA.  
INTRODUCCIÓN  
La influencia de las emociones es crucial en el proceso de aprendizaje, y es, además, inherente  
al lenguaje y las formas empleadas para la transmisión de la información; por consiguiente, es  
importante comprender cómo es que las emociones modifican el proceso de aprendizaje y cómo  
a partir de esto se diseñan modelos que buscan optimizar los logros de aprendizaje. Para esto se  
consideran cinco factores o estímulos: fisiológicos (auditivo, visual, táctil y cenestésico),  
sociológicos, ambientales, psicológicos y emocionales que afectan el aprendizaje de un individuo  
[1]. Así, podemos destacar aspectos como la personalidad, el estado de ánimo y las emociones  
que juegan un papel importante en los entornos de aprendizaje.  
Por otra parte, también es claro que los niños recurren a sus emociones con el fin de dar sentido  
a su pertenencia al participar en el proceso de aprendizaje; y es este sentido de pertenencia el  
que define la forma en la que encuentran significativa su participación [2]; algo muy asociado a  
la idea de libre elección y expresión emocional.  
A pesar de esto, dado el caso, puede darse que no exista relación entre las emociones y la  
ganancia proporcional de aprendizaje; sin embargo, una significativa correlación entre las  
emociones y la precisión de algunos procesos cognitivos y metacognitivos [3].  
Enfocado en la psicología: En los últimos años y con el avance de la tecnología se han dado en  
mayor parte las consultas a psicólogos o tutores privados por internet u online sin embargo el  
desempeño psicológico de un estudiante puede llegar a verse afectado por el sobrecargo de tareas  
o la escuela para notar estos rasgos es necesario un análisis completo de su comunicación no  
verbal como lo que expresa los gestos que muestra [4]. Para ayudar en este ámbito tanto a los  
tutores como psicólogos u otro oficio relacionado se plantea una IA que permite entrenar un  
sistema en el que a través de cámaras se registre los gestos fáciles y a través de esta se  
identifiquen las emociones de los estudiantes en instituciones educativas [5].  
Comúnmente los estudiantes pueden tener problemas familiares, sociales, personales que lo  
pueden afectar mental y físicamente; teniendo esto en cuenta los profesores/encargados  
no notarían siempre, o que obvian esto, sin darse cuenta de las consecuencias psicológicas que  
pueden ocasionar a lo largo de los años. Por ello se elaboraría un sistema que de precaución con  
conocimientos similares a los que poseen los humanos. [6] ante las expresiones de los estudiantes  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
que será clasificado con las expresiones faciales prototípicas básicas reconocidas universalmente.  
Estas son: enojo, disgusto, miedo, felicidad, tristeza y sorpresa. [7].  
En este artículo se tratará de abordar un sistema enfocado a base en reconocimiento facial  
buscando los patrones y características de los rasgos faciales captados dentro de la imagen, para  
que esta sea recortada solo al contorno de la cara [8], entre ellas se debe hacer una identificación  
y análisis de cada tipo de emociones con su intensidad para así calcular el porcentaje y la  
intensidad de cada emoción [9] [10].  
Materiales y métodos o Metodología computacional  
Estado del Arte  
A. Reconocimiento facial con deep learning y Python  
El presente trabajo [6] describe e implementa los pasos necesarios para crear un  
programa capaz de identificar a las personas presentes en una imagen, video o webcam  
haciendo uso de las librerías disponibles en python y aplicando los conceptos de Deep  
Learning y redes neuronales.  
B. Detección de emociones y reconocimiento facial utilizando aprendizaje profundo  
El presente trabajo de titulación [4] tiene como finalidad implementar un sistema de  
detección de emociones y reconocimiento facial a través del aprendizaje profundo,  
específicamente utilizando la técnica de redes neuronales convolucionales y la librería  
face recognition. De este modo se crea una arquitectura de aprendizaje profundo con  
dataset de Kaggle denominado “Learn facial expressions from an image” con el algoritmo  
Frontal Face elaborada en Django.  
C. Uso de patrones de reconocimiento de las emociones para apoyar la didáctica de enseñanza  
aprendizaje  
El articulo [5] presenta el desarrollo de una investigación aplicada en el ámbito de la  
teoría educativa apoyado por procesos en comunicación, con el fin de permitir el  
mejoramiento de las estrategias de enseñanza en el ámbito superior técnico profesional  
o nivel terciario en educación, considerando el uso de patrones de reconocimiento para  
capturar las emociones según el registro de reacciones faciales haciendo uso de los  
algoritmos “Eigenfaces” y “Fisherfaces” y a través de ellos aplicaciones de filtros para  
regular las distorsiones de la digitalización.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
D. Diseño de un Sistema de Reconocimiento de rostros aplicando inteligencia y visión artificial  
El presente articulo [9] se centra en el proceso de diseño, desarrollo e implementación  
de un sistema de reconocimiento de rostros mediante la hibridación de técnicas de  
reconocimiento de patrones, visión artificial e inteligencia artificial con el uso de redes  
neuronales. Así mismo es recopilado el producto de la unión de las técnicas de visión  
artificial y las técnicas de inteligencia artificial y sus implicaciones en múltiples  
aplicaciones tales como el control de robots de interacción social.  
E. Sistema de reconocimiento de gestos faciales captados a través de cámaras para analizar  
el nivel de satisfacción de clientes en restaurantes  
La presente investigación [8] tiene como principal objetivo el desarrollo de un sistema  
que reconozca la satisfacción o insatisfacción de un cliente en un restaurante con base  
en los gestos que este mismo realiza al momento de recibir el servicio brindado por el  
establecimiento. En la etapa de preprocesamiento de los datos se hizo uso de una  
máquina de soporte vectorial como clasificador, a su vez el histograma de gradientes fue  
usado en la detección de rostro dentro de la imagen.  
Fundamentación Teórica  
Reconocimiento Facial  
Para el desarrollo del proyecto, centrado en el reconocimiento de emociones, era indispensable  
la consideración de un sistema de reconocimiento facial, y más específicamente, el algoritmo  
seleccionado para esto fue el de Eigenfaces, uno de los modelos de reconocimiento de rostros  
más utilizado, el cual está basado en las propiedades matemáticas de la imagen digitalizada, que  
captura características invariantes de los rostros.  
No fue hasta la década de 1960 que se desarrolló el primer sistema semiautomático de  
reconocimiento facial basado en un método mediante el cual el observador localizaba rasgos  
faciales en fotografías, a partir de esto, se buscó el cálculo de distancias y proporciones con el fin  
de realizar comparaciones.  
Ya en la década de 1970, se propuso el uso de características específicas para el reconocimiento  
facial y posteriormente en 1988, Sirvoich y Kirby propusieron el método de análisis de  
componentes principales (PCA), dando inicio a la mejora en este ámbito.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Es por esto que actualmente se cuenta con diversas técnicas para el procesamiento de imágenes  
y el reconocimiento de patrones, convirtiéndose en un área de investigación activa [11].  
Reducción de Dimensionalidad  
La reducción de dimensionalidad se refiere a técnicas o algoritmos que buscan una proyección de  
la representación original de muchas dimensiones de nuestros datos a una de menor dimensión,  
reduciendo el número de variables de entrada en los datos de entrenamiento.  
Es decir, buscan una superficie de baja dimensión, incrustada en el espacio de datos de alta  
dimensión, proyectando los datos a un subespacio dimensional más bajo que capturan lo más  
importante de los datos, de modo que al tratar menos dimensiones también se trabaje con menos  
parámetros, simplificando el modelo de aprendizaje automático [12].  
Es por esto que la reducción de la dimensionalidad no implica pérdida de información; sin  
embargo, pueden emplearse representaciones con pérdida y a pesar de esto obtener un buen  
control, lo que requerirá un equilibrio cuidadoso entre preservar aspectos importantes de las  
distribuciones y usar la menor cantidad de dimensiones posible.  
Análisis de Componentes Principales  
Una de las técnicas de reducción de dimensionalidad más comunes es el Análisis de Componentes  
Principales, en el que, dado un conjunto de datos, se busca la representación lineal de menor  
dimensión de los datos conservando la varianza de los datos reconstruidos. De esta forma, esta  
técnica hace uso del hiperplano de baja dimensión tal que, al proyectar los datos en este  
hiperplano, los cambios en la varianza de los datos sean mínima [13].  
Así, aplicando PCA, el vector de primera base, u1, apunta en la dirección en la que los datos  
tienen la mayor varianza. En otras palabras, las proyecciones de los puntos de datos sobre u1,  
푇
푇
dadas por u 1 xꢀ, . . . , u 1 xN, tienen la varianza muestral más grande posible, para cualquier elección  
del vector unitariou1.El segundo vector base u2, apunta en la dirección de máxima varianza  
T
sujeto a la restricción de que u2 sea ortogonal a u1(es decir,u uꢀ = 0). En general, el i-ésimo  
2
vector base, también llamado i-ésimo componente principal, es la dirección de máxima varianza  
que es ortogonal a los i − 1 componentes principales anteriores.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Eigenfaces  
En 1991, Turk y Pentland propusieron el enfoque Eigenfaces para el reconocimiento de rostros  
que utiliza conceptos de álgebra lineal y reducción de dimensionalidad para reconocer rostros,  
tras los fundamentos planteados por Sirovich y Kirby en 1987 en su artículo Procedimiento de  
baja dimensión para la caracterización de rostros humanos, convirtiéndose en un enfoque  
fundamental en la historia de la visión computacional.  
En este enfoque, al ingresar un conjunto de datos de Z imágenes de rostros es necesario que  
cada rostro se represente en escala de grises como un mapa de bits NxN de los píxeles. Es  
necesario formar un solo vector a partir de la imagen, y esto se consigue simplificando cada una  
en un vector de características de intensidades de píxeles sin procesar; posteriormente se  
concatenan todas las filas juntas, formando una única y larga matriz de intensidades de píxeles  
en escala de grises de Z filas y N2 columnas.  
A partir de esa matriz se calcula la media de cada columna en la matriz, obteniendo el valor de  
intensidad de píxel promedio para cada coordenada en el conjunto de datos de la imagen. Es  
necesario centrar los datos en la media restando está a cada columna para obtener la matriz de  
covarianza y calcular los valores propios y los vectores propios de la matriz de covarianza.  
A partir de los valores propios más grandes, se calculan los vectores propios correspondientes y  
se obtiene un lapso dimensional. Haciendo uso de las caras de entrenamiento normalizadas se  
representa cada vector de rostro en la combinación lineal de los mejores vectores propios [14].  
Herramientas y Elementos  
Google Colab Es una herramienta para escribir y ejecutar código Python en la nube de Google.  
También es posible incluir texto enriquecido, links e imágenes. En caso de necesitar altas  
prestaciones de cómputo, el entorno permite configurar algunas propiedades del equipo sobre el  
que se ejecuta el código. El uso de Google  
Colab permite disponer de un entorno para llevar a cabo tareas que serían difíciles de realizar en  
un equipo personal. [15].  
Google Drive Es un servicio de almacenamiento de datos que son guardados en la nube. Permite  
copiar archivos desde el ordenador para que sean guardados en la nube [16]. Para el presente  
trabajo se hará uso del  
mismo para almacenar las carpetas de nuestro dataset para el entrenamiento de la IA, así mismo  
las carpetas  
para la validación y resultados al poner a prueba el reconocedor.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Python Es un lenguaje de programación potente y fácil de aprender. Tiene estructuras de datos  
de alto niveles eficientes y un simple pero efectivo sistema de programación orientado a objetos  
[17]. Por lo tanto, es ampliamente utilizado en las aplicaciones web, el desarrollo de software, la  
ciencia de datos y el machine learning (ML).  
Las librerías utilizadas de este lenguaje en el presente proyecto fueron las siguientes:  
Numpy NumPy es una librería de Python especializada en el cálculo numérico y el análisis  
de datos, especialmente para un gran volumen de datos. Es utilizada para trabajar con  
matrices permitiendo representar colecciones de datos de un mismo tipo en varias  
dimensiones, y funciones muy eficientes para su manipulación. NumPy significa Python  
numérico. [18]  
Os El módulo OS en Python proporciona funciones para interactuar con el sistema  
operativo. OS viene bajo los módulos de utilidad estándar de Python. Este módulo  
proporciona una forma portátil de usar la funcionalidad dependiente del sistema  
operativo. [19]  
OpenCV-Python OpenCV-Python es una biblioteca de enlaces de Python diseñada para  
resolver problemas de visión por computadora. Además, es compatible con las  
plataformas más utilizadas, Windows, Mac OS y Linux [20].  
Sklearn Scikit-learn (Sklearn) es la biblioteca más útil y sólida para el aprendizaje  
automático en Python. Proporciona una selección de herramientas eficientes para el  
aprendizaje automático y el modelado estadístico, incluida la clasificación, la regresión,  
el agrupamiento y la reducción de la dimensionalidad a través de una interfaz de  
consistencia en Python. [21]  
Información del Dataset  
El dataset que se consideró utilizar para el entrenamiento de la IA se encuentra en kaggle con  
una cantidad de 28 821 imágenes cada una por defecto separada en carpetas con su emoción  
distinta, estas imágenes ya cuentan con la escala de grises y la medida sugerida para la detección  
de rostros.  
Para el caso del entrenamiento se hizo el cambio de unir todas las imágenes separadas en  
carpetas en una sola, y con esta por sí sola sea el entrenamiento para el reconocedor, y que este  
identifique por si mismo los rasgos considerados comunes y con ello distinguiera la diferencia y  
similitud entre estos para el reconocimiento de próximas imágenes.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Figura 1. Resultado  
Figura 2. Resultado- 2  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Resultados y discusión  
La calidad del cálculo de la precisión contando el total de verdaderos positivos, falsos negativos  
y falsos positivos es 0.7142857142857143. Por lo que se interpretaría que un 43 % de los casos  
en el que se equivocaría el reconocedor.  
La cantidad que el reconocedor es capaz de identificar se encuentra el cálculo de forma global  
Recall= 0.5714285714285714 En el rendimiento promediado de la precisión y la exhaustividad  
entre varias soluciones del F1 score comparar el rendimiento combinado de la precisión y la  
exhaustividad entre varias soluciones 0.619047619047619, indicando que el rendimiento del  
reconocedor.  
Como ultimo resultado de la Exactitud (Accuracy) mide el porcentaje de casos que el reconocedor  
ha acertado, en este caso el resultado es 0.5714285714285714.  
Conclusiones  
El reconocedor al tener un entrenamiento tiene una mayor identificación de rostros de diferentes  
medidas y calidades. El lenguaje de programación Python da bastante acceso con las librerías a  
la elaboración del entrenamiento y del reconocedor de detección de rostros.  
Las características faciales tienen mucha similitud al momento de la identificación de emociones,  
por lo que se no se pueden basar con una sola característica para la identificación correcta de la  
emoción.  
El entrenamiento debe ser específico según el objetivo que se quiera llegar, para cada acción  
específica que se quiera conseguir, se necesita otro entrenamiento enfocado en ese objetivo. El  
sistema tuvo en total una exactitud de aciertos ligeramente positiva por el entrenamiento que no  
fue muy eficiente para el modelo de Eigen Face.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Referencias  
[
[
[
1] J. S. P. Doulik and I. Simonova, Learning Styles in the e-Learning Environment: The  
Approaches and Research on Longitudinal Changes., 2017.  
2] S. Frankel and M. Mountford, In search of meaningful participation: Making connections  
between emotions and learning., 2021.  
3] R. R. E. B. C. G. B. M. Taub, R. Azevedo and M. J. Price, How are studentsˆa€™ emotions  
related to the accuracy of cognitive and metacognitive processes during learning with an  
intelligent tutoring system?, 2021.  
[4] J. Romero, Detecci´on de Emociones y Reconocimiento Facial utilizando aprendizaje profundo,  
2
020.  
[5] J. L. Mancilla Monsalve, Uso de patrones de reconocimiento de las emociones para apoyar la  
did´actica de ense˜nanza aprendizaje., 2019.  
[
[
[
6] S. Roy, Face emotion recognition with EfficientNetB2, 2021.  
7] E. Jes´us, Detecci´on de Emociones del Usuario, 2014.  
8] E. A. Lara, L. Codigo, H. Alejandro, Q. Cruz, and E. Lara L´evano, Sistema de reconocimiento  
de gestos faciales captados a trav´es de c´amaras para analizar el nivel de satisfacci´on de  
clientes en restaurantes., 2019.  
[9] G. O. and S. O., Dise˜no de un Sistema de Reconocimiento de rostros aplicando inteligencia  
y visi´on artificial., 2014.  
[
10] S. Roy., Face emotion recognition with EfficientNetB2., 2021.  
11] P. Kaur, K. Krishan, S. K. Sharma, and T. Kanchan, Facial-recognition algorithms: A literature  
review. [Online]. Available: https://doi.org/10.1177/0025802419893168  
12] M. Collins and S. Robert, A Generalization of Principal Component Analysis to the Exponential  
[
[
Family.  
[Online].  
Available:  
https://www.researchgate.net/publication/2407485  
A
Generalization of Principal Component Analysis to the Exponential Family  
13] I. T. Jolliffe, Principal Component Analysis. [Online].  
[
Available: https://doi.org/10.1007/b98835  
14] M. Turk and A. Pentland, Eigenfaces for Recognition. [Online].  
Available: https://doi.org/10.1162/jocn. 1991.3.1.71  
[
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
[
[
[
[
15] G. L. Baume, Breve introducci´on a Google Colab., 2021.  
16] J. M. Uriarte, Google Drive., 2020.  
17] P. S. Foundation, El tutorial de Python., 2022.  
18] La librería Numpy. [Online].  
Available: https://aprendeconalf.es/docencia/python/manual/numpy/  
[19] GeeksforGeeks, M´odulo OS en Python con ejemplos., 2022.  
[20] A. Mordvintsev and A. R. K., Tutoriales de Introducci´on a OpenCV-Python., 2022.  
[21] Scikit, Tutorial de aprendizaje de Scikit. [Online].  
Available: https://www.tutorialspoint.com/scikit learn/ index.ht  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935