Diego Orozco-Gomez
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Diego Orozco-Gomez has a total of 8 co-authors. Here are the top co-authors by number of shared publications:
- Freddy Bolaños Martínez
Universidad Nacional de Colombia
2 shared publications - Albeiro Espinosa Bedoya
Universidad Nacional de Colombia
1 shared publication - Elisa Rodriguez
Departamento de Energía Eléctrica y Automática, Universidad Nacional de Colombia - Sede Medellín, Medellín, Colombia
1 shared publication - Emmanuel Grisales Londoño
Institución Universitaria Pascual Bravo
1 shared publication - Ignacio Calle Pérez
Institución Universitaria Pascual Bravo
1 shared publication - Javier Herrera
Research Program on Acquisition and Analysis of Signals - PAAS National University of Colombia, Colombia
1 shared publication
Latest Publications
- 13 October 2026
- Published by Springer Nature in Earth Science Informatics
- Vol. 19 (12) , 212
Generating synthetic lightning path images for training lightning recognition models
- 13 October 2026
- Published by Springer Nature in Earth Science Informatics
- Vol. 19 (12) , 212
Generating synthetic lightning path images for training lightning recognition models
- 22 December 2023
- Published by Springer Nature in Modeling Earth Systems and Environment
- Vol. 10 (2) , 2447-2461
A classification model for lightning images without branches based on the tortuosity metric
- 22 December 2023
- Published by Springer Nature in Modeling Earth Systems and Environment
- Vol. 10 (2) , 2447-2461
A classification model for lightning images without branches based on the tortuosity metric
- Open Access
- 31 December 2022
- Published by Institucion Universitaria Pascual Bravo in Revista CINTEX
- Vol. 27 (2) , 44-55
Sistema de reconocimiento de rostros con tapabocas a través de los clasificadores Haar cascade, LBPH, Eigenface y Fisherface
La implementación de sistemas de acceso automatizados en lugares con alta afluencia, como sistemas de transporte y centros de salud, es una necesidad creciente para mitigar la congestión y el estrés laboral. En este contexto, el reconocimiento facial se presenta como una solución eficaz, ofreciendo un control de acceso personalizado y eficiente. La inteligencia artificial, junto con bases de datos robustas, permite la identificación precisa de rostros y, complementada con clasificadores de rostros, el reconocimiento facial. El clasificador Haar Cascade opera mediante pequeños clasificadores que analizan diferentes porciones de una imagen facial, las cuales se combinan para proporcionar un resultado de detección preciso, facilitando la creación de una base de datos que puede ser entrenada por algoritmos de reconocimiento. Este estudio presenta un sistema de reconocimiento facial utilizando el clasificador Haar Cascade para la recolección de imágenes, y los clasificadores de Histograma de Patrones Binarios Locales (LBPH), EigenFace (EF) y FisherFace (FF) para el proceso de reconocimiento. La recolección de datos incluyó imágenes de rostros de seis personas, obteniendo 350 imágenes sin tapabocas y 350 imágenes con tapabocas. Los tiempos de entrenamiento variaron entre 9.54 segundos y 9287.64 segundos. Una vez entrenados los modelos, el tiempo de reconocimiento facial osciló entre 0.0001 segundos y 0.4447 segundos. La precisión del reconocimiento con el clasificador LBPH se ubicó entre 80.9069% y 100%, con el clasificador EF entre 69.7542% y 100%, y con el clasificador FF entre 31.6017% y 91.3684%. Estos resultados demuestran la rapidez del sistema de reconocimiento facial propuesto, destacando la precisión y velocidad del clasificador LBPH.
- 31 December 2022
- Published by Institucion Universitaria Pascual Bravo in Revista CINTEX
- Vol. 27 (2) , 44-55
Open AccessSistema de reconocimiento de rostros con tapabocas a través de los clasificadores Haar cascade, LBPH, Eigenface y Fisherface
La implementación de sistemas de acceso automatizados en lugares con alta afluencia, como sistemas de transporte y centros de salud, es una necesidad creciente para mitigar la congestión y el estrés laboral. En este contexto, el reconocimiento facial se presenta como una solución eficaz, ofreciendo un control de acceso personalizado y eficiente. La inteligencia artificial, junto con bases de datos robustas, permite la identificación precisa de rostros y, complementada con clasificadores de rostros, el reconocimiento facial. El clasificador Haar Cascade opera mediante pequeños clasificadores que analizan diferentes porciones de una imagen facial, las cuales se combinan para proporcionar un resultado de detección preciso, facilitando la creación de una base de datos que puede ser entrenada por algoritmos de reconocimiento. Este estudio presenta un sistema de reconocimiento facial utilizando el clasificador Haar Cascade para la recolección de imágenes, y los clasificadores de Histograma de Patrones Binarios Locales (LBPH), EigenFace (EF) y FisherFace (FF) para el proceso de reconocimiento. La recolección de datos incluyó imágenes de rostros de seis personas, obteniendo 350 imágenes sin tapabocas y 350 imágenes con tapabocas. Los tiempos de entrenamiento variaron entre 9.54 segundos y 9287.64 segundos. Una vez entrenados los modelos, el tiempo de reconocimiento facial osciló entre 0.0001 segundos y 0.4447 segundos. La precisión del reconocimiento con el clasificador LBPH se ubicó entre 80.9069% y 100%, con el clasificador EF entre 69.7542% y 100%, y con el clasificador FF entre 31.6017% y 91.3684%. Estos resultados demuestran la rapidez del sistema de reconocimiento facial propuesto, destacando la precisión y velocidad del clasificador LBPH.