Double Take ofrece una interfaz unificada y una API para el procesamiento y entrenamiento de imágenes enfocadas en el reconocimiento facial. Su arquitectura se divide en componentes clave: el sistema de detección, el gestor de almacenamiento y el motor de entrenamiento.

Sistema de Detección: Arquitectura Multi-motor

El módulo de detección identifica y extrae características faciales de las imágenes mediante una arquitectura compatilbe con múltiples motores de reconocimiento. La lógica de registro y gestión de estos motores reside en los archivos factory.js e index.js dentro del directorio api/src/util/detectors/, donde se integran soluciones como DeepStack, CompreFace y Facebox.

El flujo de ejecución abarca la recepción de la imagen, la selección del motor configurado, la ejecución del análisis y la normalización de la respuesta. La orquestación se centraliza en api/src/util/process.util.js, donde se evalúan las capacidades de cada motor y se despachan las tareas asíncronas.

for (const engineName of activeEngines) {
  errorTracker[engineName] = errorTracker[engineName] || 0;
  const engineSettings = config()?.detectors?.[engineName];
  
  const cameraAllowed = (engineSettings?.cameras || [currentCamera]).includes(currentCamera) || !engineSettings?.cameras.length;
  const minFacesRequired = engineSettings?.opencv_face_required;
  
  if (cameraAllowed && (minFacesRequired === 0 || tempData.faces >= minFacesRequired)) {
    pendingTasks.push(this.runAnalysis({ camera: currentCamera, engine: engineName, data: tempData, errors: errorTracker }));
    scheduledEngines.push(engineName);
  } else {
    console.verbose(`Skipping ${engineName}: insufficient faces detected`);
  }
}

Gestión de Almacenamiento y Persistencia

Este componente garantiza la persistencia de los datos biométricos, modelos generados y resultados de reconocimiento. Combina el sistema de archivos local con una base de datos para una gestión integral.

Las rutas de los archivos multimedia se definen en api/src/util/storage.util.js, mientras que las operaciones de bajo nivel sobre el sistema de archivos se encapsulan en api/src/util/fs.util.js. La ruta base para el conjunto de datos de entrenamiento se estructura de la siguiente manera:

${STORAGE.MEDIA.PATH}/train

La estructura de la base de datos se define en api/src/util/db.util.js, creando un esquema optimizado para vincular archivos, identidades y motores de detección:

CREATE TABLE IF NOT EXISTS face_trainings (
  id INTEGER PRIMARY KEY AUTOINCREMENT,
  fileId TEXT,
  name TEXT,
  filename TEXT,
  detector,
  meta TEXT,
  createdAt DATETIME DEFAULT CURRENT_TIMESTAMP,
  UNIQUE(fileId, detector)
)

Las funciones principales de este módulo incluyen la indexación de muestras faciales, el registro histórico de detecciones, el control de acceso al sistema de archivos y la exportación de información.

Motor de Entrenamiento de Modelos

Encargado de transformar el conjunto de imágenes en un modelo cognitivo, este módulo alimenta a los detectores con los datos necesarios para realizar comparaciones precisas. Su implementación principal se encuentra en api/src/util/train.util.js.

El proceso asíncrono gestiona la preparación de datos, la ejecución del entrenamiento en el motor seleccionado y el manejo de excepciones, devolviendo el estado de la operación y sus metadatos asociados.

exports.runTrainingCycle = async ({ subjectId, apiKey, engineType }) => {
  try {
    const { statusCode, payload } = await executeTraining({ subjectId, apiKey, engineType });
    return {
      statusCode,
      subjectId,
      engineType,
      metadata: payload?.result || payload
    };
  } catch (err) {
    const errorMsg = payload?.message || payload?.error || err.message;
    console.error(`Training failed for ${engineType}: ${errorMsg}`);
    return { statusCode: 'failed', subjectId, engineType };
  }
};

Este componente permite el procesamiento por lotes de imágenes, la integración con diferentes backends de inteligencia artificial, la monitorización del estado de actualizaicón y la gestión de versiones del modelo.

Flujo de Integración de Componentes

La integración de estos tres subsistemas opera de manera sincronizada. El ciclo comienza con la captura del frame, seguido por la extracción de rasgos faciales por el detector. Estos rasgos se persisten en el almacenamiento, el cual sirve como fuente de datos para que el módulo de entrenamiento genere o actualice el modelo. Finalmente, el detector utiliza este modelo refinado para incrementar la precisión de las identificaciones subsiguientes.