Reconocimiento biométrico de huellas dactilares

  INSTITUTO POLITÉCNICO NACIONAL  

Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Culhuacan

Sección de Estudios de Posgrado e Investigación Maestría en Ciencias de Ingeniería en Microelectrónica

TESIS QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS

“RECONOCIMIENT0 BIOMETRICO DE HUELLAS DACTILARES”

Presenta

Jorge Eduardo León García

Asesor

Dr. Gabriel Sánchez Pérez Dra. Linda Karina Toscano Medina

Mayo 2009.

 

A mi familia con todo mi amor……

                                         

AGRADECIMIENTOS.

Quiero agradecer a mi familia que me ha brindado su apoyo en todo momento ya que sin su apoyo hubiese sido más difícil el trayecto hasta el día de hoy.

También agradezco a mis asesores Dr. Gabriel Sánchez Pérez y la Dra. Linda Karina Toscano Medina todo el apoyo en la elaboración de esta investigación y el compartir sus conocimientos conmigo.

A la sección de estudios de posgrado e investigación (SEPI) en la ESIME Unidad Culhucan por las facilidades otorgadas para la utilización del equipo.

A los profesores de la sección de estudios de posgrado por sus enseñanzas y apoyo incondicional.

A la Dra. Mariko Nakano Miyatake por su apoyo incondicional en tiempos difíciles para mí.

A mis amigos que siempre me han brindado su ayuda incondicionalmente

Especial agradecimiento al Instituto Politécnico Nacional por darme la oportunidad de aprender en sus aulas.

También a la Escuela Superior de Ingeniería Mecánica y Eléctrica por albergarme durante este tiempo dando oportunidad de desenvolverme como estudiante e individuo.

Al consejo nacional de ciencia y tecnología (CONACYT) y PIFI a ambos por el apoyo económico brindado los dos primeros años de la maestrías.

.        

RESUMEN

La biometría se refiere a la identificación o verificación automática de un individuo utilizando algunos rasgos biológicos o de comportamiento los cuales son asociados con la persona. Una huella dactilar, es la impresión visible que produce el contacto de las crestas papilares de un dedo con una superficie. Esta se ha usado como medio de identificación de las personas. El reconocimiento de huellas dactilares es uno de los métodos de identificación personal más utilizados y con mayor grado de acierto en la biometría. La huella dactilar posee características únicas llamadas minucias, las cuales son puntos en donde la cresta termina, se intercepta o bifurca con otra. Los sistemas de identificación empleando patrones biométricos de huella son llamados AFIS por sus siglas en ingles (Automatic Fingerprint Identification System). En esta investigación la optimización de la imagen se realiza mediante de la FFT (transformada rápida de Fourier) y un arreglo de filtros de Gabor. El vector característico de cada minucia se forma con la distancia, ángulo y coordenadas además se plantea un método de extracción de minucias así como la obtención del vector característico el cual contiene distancia, ángulo y coordenadas de la minucia que se está evaluando. Después, la matriz característica de la huella se genera mediante la concatenación de los vectores característicos de las minucias. En la fase de reconocimiento se realiza una comparación entre las huellas almacenadas en la base de datos y la huella de prueba. En esta etapa es posible obtener una o varias huellas las cuales son asociadas con la de prueba. En dado caso que se obtengan dos o mas huellas asociadas a la de prueba se realiza una fase de verificación utilizando momentos invariantes para eliminar las huellas que no son las verdaderas y obtener una sola huella asociada. Los resultados obtenidos presentan un alto índice de reconocimiento.

ABSTRACT

The biometry refers to the automatic identification or verification of an individual by using certain physiological or behavioral traits associated of a person. The visible impression generated by the contact between a surface and the papillary ridges is called fingerprint. The fingerprint has been used to establis the identity of persons. Fingerprint recognition is one of methods more useful to identify the persons and with a high degree of success in the biometry. Fingerprint has unique characteristic called minutia, which are points where a ridge track finishes, intersects or branches off. The identification systems using biometric fingerprint patterns are called AFIS (Automatic Fingerprint Identification System). In this research the image was enhancement is done using the FFT (Fast Fourier Transform) and a bank of Gabor filters, the feature vector of each minutia is formed with the distance angle and coordinates. After that, the feature matrix is obtained concatenating the feature vectors. In the recognition phase a comparison was done between stored fingerprints in the database and test fingerprint. In this stage is possible to obtain one or more fingerprints that are associated with the test fingerprint. If two or more fingerprints are associated with the test fingerprint, was applied a verification stage using the invariant moments to rotation and translation to delete the spurious fingerprints associate with the test fingerprint and so obtain the true fingerprint associated to the test fingerprint. The results in the training phase and in the recognition phase have good percentage.

Índice

INDICE GENERAL

Agradecimientos I

Resumen II

Abstract lll

Índice general IV

Capitulo 1

1.1 Introducción 2

1.2 Justificación 4

1.3 Objetivo general 5

1.4 Objetivos particulares 6

Capitulo 2 2.1 Estado del arte 8

2.2 Conclusiones 29

Capitulo 3 3.1 Marco teórico 31

3.1.1 Conceptos generales 31

3.1.1.1 Biometría 31

3.1.1.2 Sistema biométrico 32

3.1.1.3 Reconocimiento facial 35

3.1.1.4 Reconocimiento de iris 35

3.1.1.5 Reconocimiento de voz 35

3.1.1.6 Reconocimiento de firma 36

3.1.1.7 Reconocimiento de huella digital 36

3.1.1.8 Lector óptico de huella digital 37

3.1.1.9 Lector de capacitancia 37

3.1.1.10 Características de lectores ópticos 39

3.1.2 Huella dactilar 41 3.1.2.1 Clasificación de huellas dactilares 46 3.1.3 Transformada de Fourier en corto tiempo 48

3.1.4 Filtro de Gabor 50

3.1.5 Esqueletización o adelgazamiento 52

3.1.6 Extracción de características 53

3.1.7 Momentos invariantes 54

3.2 Conclusiones 57

Capitulo 4

4.1 Desarrollo 59

4.1.1 Pre Procesamiento 62

4.1.1.1 Adquisición de la huella 62

4.1.1.2 Optimización de la imagen 63

4.1.1.2.1 Análisis de Fourier 63

4.1.1.2.1.1Orientaciones de las crestas de la imagen 66 4.1.1.2.1.2 Frecuencia de las crestas de la imagen 67 4.1.1.2.1.3 Mascara de la región 68

4.1.1.2.1.4 Coherencia 68

4.1.1.2.1.5 Reconstrucción con la IFFT 69

4.1.1.2.2 Filtros de Gabor 72

4.1.1.2.2.1 Normalización 72

4.1.1.2.2.2 Orientación 73

4.1.1.2.2.3 Mascara de la región 75

4.1.1.2.2.4 Frecuencia 76

4.1.1.2.2.5 Filtrado 79

4.1.1.3 Limitación (corte) de la imagen de la huella 82

4.1.1.4 Adelgazamiento de la huella 83

4.1.2 Extracción de características 88

4.1.2.1 Extracción de minucias 88

4.1.2.2 Calculo de las distancias y ángulos entre minucias,

creación del vector característico y la matriz característica 93

4.1.3 Reconocimiento 95

4.1.3.1 Emparejamiento 95

4.1.3.1.1 Comparación 95

4.1.3.2 Verificación 96

4.1.3.2.1 Calculo de momentos invariantes 96

4.2 Conclusiones 100

Capitulo 5 5.1 Resultados 102

5.2 Conclusiones 118

Capitulo 6 6.1 Conclusiones generales 120

6.2 Trabajo a futuro 122

Referencias 123

Anexo 1 Índice de figuras 129

Anexo 2 Índice de tablas 134

Anexo 3 Índice de ecuaciones 137

Anexo 4 Artículos publicados 141

 

Capítulo 1

1.1 INTRODUCCIÓN

El termino biometría viene del griego "bio" que significa vida y "metría" que significa medida o medición, sin embargo más recientemente y para el tema que nos concierne el significado de biometría es el conjunto de métodos automatizados que analizan determinadas características humanas para identificar o autentificar personas .

La biometría aprovecha que hay ciertas características biológicas o conductuales singulares e inalterables, por lo que pueden ser analizados y medidos para crear una huella biométrica. Estas características son difíciles de perder, transferir u olvidar y son perdurables en el tiempo. La biometría se soporta en siete conceptos básicos que son:

• Universalidad: que tan común es encontrar este biométrico en los individuos.

• Singularidad: que tan único o diferenciable es la huella biométrica entre uno y otro individuo.

• Permanencia: que tanto perdura la huella biométrica en el tiempo de manera inalterable.

• Re colectable: Que tan fácil es la adquisición, medición y almacenamiento de la huella biométrica.

• Calidad: que tan preciso, veloz y robusto es el sistema en el manejo de la huella biométrica.

• Aceptabilidad: Que tanta aprobación tiene la tecnología entre el público.

• Fiabilidad: Que tan fácil es engañar al sistema de autenticación.

En la biometría se distinguen dos grupos de registros biométricos:

• Los biométricos morfológicos o fisiológicos son aquellos que se soportan sobre características físicas inalterables y presentes en la mayoría de los seres humanos tales como: huella dactilar, geometría de la mano, características del iris, patrones vasculares de la retina, etc.

• Los biométricos conductuales son aquellos que se soportan sobre características de la conducta del ser humano tales como: pulsaciones del teclado, discurso, dinámica de la firma [1].

La huella dactilar al ser única, intransferible, constante a través del tiempo la hace ideal para sistemas de identificación ó verificación humana, además de ser más fácil de adquirir que algunas otras características biométricas. La probabilidad de encontrar dos huellas dactilares similares es de lo que las hace ideales en entornos donde se necesita un alto grado de seguridad en el proceso de Verificación de Identidad.

La adquisición de las imágenes se puede dar de dos formas, directa e indirecta.

De manera indirecta se refiere a la adquisición de una imagen digital desde la impresión en papel de una huella entintada, lo que en la gran mayoría de los casos resulta en imágenes de baja calidad y con un nivel de ruido bastante alto debido al uso excesivo de tinta en el momento de la estampa, otro inconveniente es la aplicación inadecuada de presión contra el papel o la dispersión de la tinta por la naturaleza porosa del papel. De manera Directa se refiere a la adquisición de la huella desde un scanner de huella digital que nos permite tener imágenes de mejor calidad en la mayoría de los casos. Otra característica sensible es tomar en cuenta el tipo de lector utilizado, uno de superficie capacitiva o de superficie óptica, este último es el que utiliza en este trabajo por ser más barato.

Entre mayor calidad de imagen se tendrá menos posibilidad de encontrar falsas minucias. Las falsas minucias se crean cuando por cuestiones de la calidad de la imagen se crean minucias que en realidad no existen [2].

10 15

* 9 .

1 ⁻

1.2 JUSTIFICACIÓN

Tradicionalmente, los sistemas de seguridad que restringen el acceso a recintos han sido basados en la utilización de credenciales de identificación (ID card) y por claves de acceso alfanuméricas (password), pero este tipo de sistemas tienen una parte frágil, porque pueden ser fácilmente burlados o engañados; debido a que el usuario puede perder o extraviar la credencial de acceso u olvidar su clave de acceso; también, este tipo de llaves pueden ser robadas fácilmente.

Tomando en cuenta este tipo de desventajas los sistemas basados en la biometría humana han adquirido una gran popularidad en estos días, la biometría se refiere a las mediciones de rasgos o características biológicas o de comportamiento asociadas a los humanos las cuales son únicas e independientes para cada individuo. Los sistemas biométricos utilizados más frecuentemente son: reconocimiento de iris, voz, rostro, firma y huella dactilar.

Como establece la literatura, la huella dactilar es el rasgo más utilizado en los sistemas biométricos, debido a que es fácil de adquirir y tiene un alto porcentaje de efectividad la momento de establecer la identidad de las personas.

En esta investigación se desarrolla un algoritmo (sistema) que nos permite identificar al usuario mediante la utilización de sus huellas dactilares. La primera parte del algoritmo consiste de técnicas de procesamientos de imágenes, lo que nos permite tener una imagen más confiable que la adquirida en un inicio al momento de obtener las características de las huellas (minucias), la segunda parte de este algoritmo es la parte del reconocimiento y verificación. La verificación se realiza para eliminar los usuarios falsos que son asociados a la imagen de prueba y dejar solo al usuario verdadero como la persona reconocida.

1.3 OBJETIVO GENERAL

Desarrollar un algoritmo que utilizando técnicas de procesamiento de imágenes y extracción de características, reconozca a personas por medio de sus huellas dactilares.

1.5 OBJETIVOS PARTICULARES

Mejorar la calidad de las imágenes de las huellas dactilares la transformada rápida de Fourier y un banco de filtros de Gabor.

Delimitar la imagen cortando los bordes de la misma para borrar el ruido generado por el lector óptico al momento de capturar las huellas y también evitar falsas minucias generadas por el ruido antes mencionado.

Adelgazar las crestas de la imagen para obtener una imagen con líneas con el mínimo grosor posible que es un pixel para facilitar la extracción de minucias y disminuir el costo computacional.

Extraer bifurcaciones y terminaciones para generar las plantillas que posteriormente se utilizaran para el reconocimiento de las personas.

Comparar la información de la imagen de la huella que se va a reconocer con respecto a la información almacenada en la base de datos, para obtener la identidad del usuario o de los posibles usuarios que son asociados a la imagen de prueba.

Trasladar la imagen de prueba con respecto a la posición que tiene la imagen almacenada en la base de datos para poder calcular los momentos invariantes y así verificar la identidad del usuario y eliminar las posibles confusiones.

Capítulo 2

ESTADO DEL ARTE

2.1 ESTADO DEL ARTE

El estado del arte que a continuación se presenta esta basado en los avances del procesamiento de huellas dactilares y las soluciones que se le han dado al reconocimiento de personas por medio de sus huellas dactilares ya que estos rasgos están directamente relacionados con la persona. También se presenta una breve introducción histórica del proceso de verificación y reconocimiento de huella dactilar.

El uso de los relieves dactilares fue por primera vez objeto de un estudio científico por el antropólogo Inglés Francisco Galton (1822-1911), quien publicó sus resultados en el libro Huellas dactilares (1892). Los resultados obtenidos por Galton verificaron tanto la invariabilidad de las huellas digitales a lo largo de toda la vida de un individuo, como su carácter distintivo aún para gemelos idénticos. Los estudios de Galton estuvieron orientados a la determinación de las características raciales hereditarias de las personas (sobre las que las huellas digitales no podían dar información) y determinó algunas características de las huellas que todavía se usan hoy en día para su clasificación. En base a las mismas, Galton propuso usarlas para la identificación personal en reemplazo del inexacto sistema Bertillon, entonces en uso.

Los 40 rasgos propuestos por Galton para la clasificación de las impresiones digitales fueron analizados y mejorados por el investigador de la Policía de la provincia de Buenos Aires Juan Vucetich. Vucetich usó inicialmente 101 rasgos de las huellas para clasificarlas en cuatro grandes grupos. Logró luego simplificar el método basándolo en cuatro rasgos principales: arcos, presillas internas, presillas externas y verticilos [3].

Edward Henry y Francis Galton, de forma separada, trabajaron en la aplicabilidad de la huella dactilar para realizar identificación de personas mediante clasificación.

En estos estudios se formalizó la descripción de la huella dactilar, como una sucesión de crestas, separadas entre sí por valles. El flujo de las crestas sufre una serie de puntos singulares, tales como terminaciones y/o bifurcaciones. A estos puntos singulares se les denominó minucias, y mediante su tipo, localización y orientación, se puede llegar a identificar a una persona.

Estudios realizados por el Dr. Henry Faulds a finales del s. XIX, pusieron de manifiesto que la estructura de la huella no es propia de la capa más externa de la piel,

sino que es intrínseca a la dermis. Esto provoca que si una persona pierde la piel de un dedo, al volver a crecer la piel se vuelve a reconstituir la huella. Además, posteriormente se comprobó que el grado de unicidad de la huella era muy alto, ya que no se encontraban dos personas con las mismas huellas. De hecho, cada uno de los dedos de un mismo sujeto presenta huellas totalmente distintas.

Hoy en día, en Sudamérica y parte de Europa se sigue la clasificación de Vucetich, mientras que en EE.UU y Gran Bretaña, la de Henry. El sistema de identificación dactilar en España fue creado por el Dr. Federico Olóriz Aguilera [4].

Hao Guo [5] menciona que las huellas dactilares son principalmente igualadas basándose en su patrón de textura. Una huella dactilar puede ser considerada como un campo estocástico de Markov. Un novedoso método de igualación de huellas dactilares el cual se basa en la incrustación de un modelo oculto de Markov (Hidden Markov Model (HMM)) es usado para modelar los campos de orientación de la huella dactilar. Un HMM da un modelo estocástico para un conjunto de secuencias de datos de observación. Esto incluye dos formas de procesos estocásticos finitos. La primera es la cadena de Markov de estado finito que describe la transferencia de un estado a otro. El segundo describe las probabilidades entre estados y el dato observado. El HMM incrustado consiste en tres súper estados, los cuales están conformados por cinco sub estados.

En la etapa de extracción de características y formación del vector de observación se realiza la discretización de la imagen de la huella dactilar en donde la imagen se divide en bloques de W*H. Después se construye el vector de observación para el bloque de la imagen el cual contiene cuatro sub bloques de imagen para la estimación de la orientación local del bloque, con esto se forma el vector de observación con el cual se describen las características del bloque. Y por último se genera la secuencia de vectores de observación, en donde cada bloque de la imagen se puede representar con un vector de observación y una imagen de huella dactilar se puede dividir en una matriz de bloques de imagen.

En el pre-entrenamiento se detecta un punto de referencia en la imagen y la localización del punto de referencia se traslada al centro de la imagen. Después la imagen se rota con respecto al punto de referencia. Por último, se ajusta la imagen después de localizar el punto característico.

En las fases de entrenamiento, el HMM incrustado se forma de la selección de diferentes muestras de una misma huella dactilar. La fase de emparejamiento consiste en encontrar la máxima probabilidad del HMM incrustado entre la imagen de prueba y diversas huellas dactilares en la base de datos. Para la obtención de resultados se ocuparon 880 (110 huellas y 8 muestras diferentes) imágenes de tamaño 374*388 en escala de grises, seis muestras fueron para la fase de entrenamiento y dos para la fase de emparejamiento. Falsa aceptación (FAR), falso rechazo (FRR). Los resultados se muestran en la tabla 1.

Coeficiente de confidencialidad FAR FRR

99.00% 0.00% 23.85%

99.50% 4.18% 9.93%

99.90% 8.91% 5.19%

Tabla 1. Resultados obtenidos utilizando HMM incrustado.

B. Y. Hiew, G. J. Teoh [6] presentan un sistema de reconocimiento de huella dactilar sin toque, en el cual la obtención de la imagen de la huella dactilar se hace por medio de una cámara digital, el sistema se compone de las siguientes fases de pre procesamiento, extracción de características y verificación de huellas.

En el pre- procesamiento: se convierte la imagen de RGB a una escala de grises, se normaliza la imagen para reducir la degradación causada por la luz y la segmentación de la imagen se ejecuta, se hace una multiplicación por una máscara binaria que es obtenida de la segmentación. La imagen resultante es delimitada y se le aplica el proceso de aclaramiento usando (STFT).

Se utiliza un filtro de Gabor para la extracción de características. Después se localiza un punto característico que se utiliza como centro de la imagen y se hace un recorte a la imagen normalizada obteniendo una imagen 200*200 pixeles. Las imágenes filtradas se dividen en bloques de 8*8 no traslapados. El resultado del filtrado es la magnitud convertida a un numero escalar para calcular la desviación estándar, los

números escalares son las características extraídas con el filtro de Gabor para cada imagen. Las características se extrajeron usando la huella normalizada y sin normalizar.

En la verificación de huellas se utilizo la máquina de soporte vectorial (SVM) porque puede separar óptimamente en dos clases genuinas e impostores construyendo un híper plano. El bloque de datos para la fase de entrenamiento esta dado por:

{

x y1, 1

}

,x_i∈ℜ^d,y_i∈ + −

{

1, 1 ,

}

i=1,...,N (1)

Donde x_ison las características extraídas de Gabor, y_i es la etiqueta de legal e impostor El híper plano es definido x= +w b donde: w es la normal para el híper plano y b es el bias. Se encuentra la máxima distancia de separación entre el híper plano y un punto fijo entrenado previamente. También, se obtiene una buena separación entre clases usando la función básica radial (RBF).

Los resultados obtenidos se presentan la igualdad de la tasa de error (equal error rate EER) y el reconocimiento se hizo con las imágenes normalizadas, no normalizadas y la RBF, los resultados obtenidos de las imágenes normalizadas y las no normalizadas se reduce la taza de error pero los resultados del RBF no son satisfactorios (tablas 2 y 3) .

Lineal 11.64 6.08 4.42 3.33 2.44

Polinomial grado 2 12.86 7.06 5.24 4.14 3.20

RBF(C=100, gamma= 0.001) 51.64 51.64 51.64 51.64 51.64

Tabla 2. ERR obtenidos utilizando SVM con imágenes no normalizadas.

Lineal 11.64 6.08 4.42 3.33 2.44

Polinomial grado 2 12.92 7.10 5.28 4.17 3.23

RBF (C=100, gamma=0.001) 11.98 6.10 4.41 3.31 2.42

Tabla 3. ERR obtenidos utilizando SVM con imágenes normalizadas.

M. Tico, P. Kuosmanen [7] se hace la extracción de características usando una transformada wavelet aplicada a una imagen, el porcentaje de reconocimiento es alto utilizando k vecinos cercanos. En las características del dominio wavelet: la imagen se divide en 3j+1 bloques, después se utiliza la orientación y la frecuencias locales para extraer la información usada en para los coeficientes en las wavelet. Se calcula la normalización para ese bloque y se genera un vector característico de longitud 3 j, el vector representa una aproximación de la distribución de energía de la imagen sobre diferentes escalas (2) y orientaciones (k).

Los experimentos se realizaron con 168 imágenes de 21 individuos, el tamaño de la imagen fue de 256*256 en escala de grises. El reconocimiento se llevo a cabo usando clasificadores sin opción al rechazo. Los mejores resultados se obtuvieron usando Daubechies y Symmlet ortogonal. Se obtuvo un porcentaje de reconocimiento alto con y clasificadores (tabla 4).

k−NN

3− NN 4−NN

Filtro 1-NN% 2-NN% 3-NN% 4-NN%

a) Daubechies 5 84.4 91.3 92.4 92.9

Daubechies 5 82.3 91.3 95.2 94.0

Daubechies 5 80.9 91.3 92.4 95.2

Symmlet 6 85.0 92.9 95.2 92.9

Symmlet 6 83.0 92.1 94.3 94.1

Symmlet 6 80.3 90.5 92.4 94.1

b) Método propuesto

Symmlet 6 91.2 97.4 100 100

Symmlet 6 90.1 98.7 100 100

Método propuesto en Fingerprint feature extraction using Gabor filter

Gabor 90.1 98.7 100 100

Tabla 4. Resultados obtenidos utilizando características Wavelet.

Rajib Paul y Mustafa Sarwar Nasif [8] desarrollan un método basado en el patrón de flujo y la técnica de cifrado de cadena para comparación de las cadenas en la fase de reconocimiento.

Una cresta recurrente es una cadena de pixeles p p₁, ₂,...,p_n

h

en el patrón de flujo y la dirección es tomada calculando los gradientes tangenciales de la localización de la cadena de pixeles con respecto al eje horizontal para el vector característico. El patrón de flujo de una huella es un grupo de crestas recurrentes y puede ser determinado por una cadena de gradientes tangenciales. A cada pixel de una huella se le asocia con una orientación y gradiente tangencial es calculado para la localización de ese pixel. Los ángulos asociados con esta dirección son la base del vector característico para representar la imagen completa. La imagen es formada por un mosaico circulatorio que empieza en el centro de la imagen, entonces la imagen puede ser codificada por un código de cadena circular en donde cada k−t círculo es compuesto por 8 características consecutivas

(

. El radio circular se incrementa hacia el exterior, entonces la imagen queda representada de la siguiente forma

. En el reconocimiento se calcula una cuenta de similaridad entre la huella de prueba y la contenida en la base de datos y se hace una comparación de las cuentas y utilizando un umbral previamente establecido determinan si la huella de prueba es comparada o no. Si es comparable se realizan los siguientes pasos: si la cadena de la huella de prueba no está debidamente alineada con la de la base es rotada dejando un bit en un tiempo y la comparación es calculada y la cadena se puede comparar con la de la base, en la fase de comparación se usa el algoritmo de adaptación de modelos de cadenas (KPM). El conteo de la comparación se lleva a cabo y finalmente se realiza el conteo de todos los códigos circulares y se realiza una comparación con el valor del umbral (tabla 5).

)

0 1 2 3 4 5 6 7 k

a a a a a a a a

(

a a a a a a a a0 1 2 3 4 5 6 7

)

k

1, 2,..., max

k = R

Rotación 1 2 3 4 5 6 7

Resultado 20 30 87 25 20 10 35

Gualberto Aguilar, Gabriel Sánchez [9] realizan procesamiento de la imagen mediante las siguientes estaciones de trabajo. La base de datos se realizo con 250

Tabla 5. Resultados finales

huellas de 50 personas diferentes, después, se reduce la distorsión cortando en un 10%

la imagen, entonces el aclaramiento de la imagen se lleva a cabo usando el banco de filtros de Gabor el cual ocupa la frecuencia y la orientación de la imagen para el filtrado (ecuación 2).

( )

²2 2²

(

, exp 1 cos 2

2 _{x y}

x y

G x y = ^⎧⎪⎨⎪⎩− ^⎡⎢⎢⎣∂ +∂ ^⎤⎥⎥⎦^⎫⎪⎬⎪⎭

π

fx

)

⁽²⁾

El segundo algoritmo utilizado es el de filtrado en el dominio de Fourier (ecuaciones 3 y 4) en este se utiliza una ventana para delimitar la señal de entrada y el aclaramiento se realiza en el espectro de Fourier.

( )

^{, 1}

{ ( ) ( )

^{, | k}

}

Ienh = x y =FFT⁻ F u v F u v, |

)

,

(3)

(4)

( )

^,

( ( )

F u v =FFT I x y

Después del aclaramiento de la imagen usando los algoritmos de forma separada se realiza una suma algebraica para la obtención de una sola imagen de salida.

El siguiente paso es el adelgazamiento de crestas, que consiste en dejar las líneas con el mínimo de grosor que es un pixel, el algoritmo consiste en lo buscar los pixeles internos y eliminar los pixeles externos teniendo cuidado de no eliminar los pixeles de enlace, un pixel interno es cuando todos sus vecinos so pixeles negros, un pixel externo es cuando alguno de sus ocho vecinos es un pixel blanco y un pixel de enlace es cuando al eliminar el pixel la línea se rompe generando dos líneas diferentes.

Después del adelgazamiento de las líneas de la huella se lleva a cabo el algoritmo de detección de minucias el cual consiste en el muestreo de la imagen de la huella utilizando una ventana de 3*3 y contando los pixeles que cruzan por el centro de la ventana y se evalúan los siguientes casos, si la suma da 7 es una minucia de fin de línea, si la suma da 6 es una ventana sin minucias y si la suma da 5 es una minucia de tipo bifurcación. El reconocimiento se lleva acabo utilizando un vector característico de cada minucia el cual contiene las coordenadas de la minucia la distancia de la minucia de referencia con respecto a la que se está evaluando y el ángulo con esta información se genera una matriz de 4*500 elementos para cada huella, primero se realiza una comparación entre la matriz de la huella de prueba y la contenida en la base de datos se

considera un umbral de 5 para aceptar que la huella es igual a la contenida en la base de datos.

Los resultados obtenidos en este trabajo se muestran en la tabla 6:

imagen reconocimiento Falsa aceptación Falso rechazo

Porcentaje total 94.1% 2.3% 3.6%

Tabla 6. Resultados finales después de la comparación

Dingrui Wan y Jie Zhou [10] presentan un modelo polinomial para una aproximación del mapa de densidad de la huella, también, usan los parámetros del modelo como una nueva forma de obtener las características para representar una huella dactilar.

El algoritmo del mapa de densidad de la huella consiste en la estimación de la región eficaz, donde, la imagen se divide en bloques de 16*16 se calcula la varianza, si el valor es mayor que el umbral determinado, este bloque se toma como un bloque eficaz, combinando todos los bloques efectivos se ejecuta los pasos correspondientes al post procesamiento. Para el escaneo en vivo un código de cadena simple de 16 puntos es utilizado. Se calcula el centro de la región promediando las coordenadas en el eje x y las coordenadas en la región efectiva y 16 líneas con diferentes ángulos se trazan desde el centro. La estimación del campo de orientación se obtiene con la orientación local de las crestas. Un modelo combinacional se usa para representar la orientación considerando la textura del campo excepto en varios puntos singulares en donde se usa un modelo polinomial que describe la orientación globalmente y un modelo de punto de carga es tomado para mejorar la exactitud localmente para este punto singular.

La imagen es convolucionada con un filtro como Gabor el cual es capaz de acentuar adaptivamente los valores de los máximos locales en la escala de grises a lo largo de una normal dirección de la orientación local de las crestas, entonces se elige un umbral para segmentar las crestas adaptivamente.

En la estimación del mapa de densidad gruesa en las zonas de alta curvatura se utiliza una aproximación espacial, se binariza la imagen mejorada como mapa de cresta con un cierto umbral, entonces se dibuja una línea que pasa el punto dado con dirección perpendicular a la orientación del punto dado; se detectan dos puntos centrales de dos

crestas vecinas sobre la línea y la distancia entre los dos centros es considerada como la distancia de la cresta para el punto dado.

En la aproximación polinomial ponderada se utiliza el mínimo cuadrado ponderado para hacer la aproximación espacial con un polinomio de dos variables. Los coeficientes son obtenidos minimizando el error cuadrático ponderado entre el polinomio y el mapa de densidad gruesa, el polinomio se escribe de la siguiente manera:

( )

0 0

,

n n

i j ij

i j

p x y a x y

= =

=

∑ ∑

⁽⁵⁾

Igualación de la huella usando el mapa de densidad: Primero se alinean las dos huellas después se obtiene la intersección de dos regiones efectivas, una vez obtenido el puntaje de intersecciones se normaliza y si el puntaje es menor que un umbral establecido se dice que los mapas de densidad son emparejados.

Combinación de semejanzas del mapa de densidad y de las minucias mediante la utilización de la regla de Neyman - Pearson para hacer la combinación. Teniendo y que son las puntuaciones de las igualaciones de minucias y los mapas de densidad y

que denota una clase genuina y que denota una clase falsa entonces:

s1

s2

w1 w₂

(

1| 1

)

p s w y ^{p s}

(

2|^w1

)

son las condiciones para clase genuinas.

(

1| 2

)

p s w y ^{p s}

(

2|^w2

)

son las condiciones para las clases falsas.

De acuerdo con la regla de Neyman - Pearson para un par dado

(

^{la regla}

de clasificación es la siguiente:

)

0 0 1 | 2

s s

( ^s

¹⁰

^{| s}

²⁰

) ^∈ {

^{w ifs s sw otrocaso12,,}

^{( )}

^{10|02 λ (6)}

Para los experimentos se utilizaron tres bases de datos, una de su laboratorio la cual consiste en 6616 imágenes de 320*512 pixeles de tamaño de 827 dedos diferentes la cual fue dividida en dos partes una fue usada para el entrenamiento que contiene 3200 (400*8) imágenes y la otra para fase de reconocimiento la cual contiene 3426 (427 * 8) imágenes de huella. Las otras dos son DB1 y DB2 de FVC2002 que contienen 800

huellas de 100 dedos 8 huellas por dedo y solo fueron usadas en la fase de prueba. Los resultados son mostrados en la tabla 7.

Número de las mejores semejanzas

THU base de datos de

prueba (200*8 huellas) DB1 (60*8 huellas) DB2 (60*8 huellas) Basado en

minucias nuestra Basado en

minucias nuestra Basado en

minucias nuestra

1 0.955 0.988 0.981 0.996 0.969 0.988

2 0.952 0.985 0.982 0.990 0.967 0.984

3 0.944 0.978 0.963 0.983 0.956 0.981

4 0.933 0.969 0.942 0.972 0.946 0.975

5 0.921 0.960 0.918 0.958 0.936 0.968

6 0.910 0.949 0.880 0.934 0.908 0.949

7 0.888 0.930 0.824 0.888 0.853 0.908

Monireh Abdoos, Nasser Monzayani [11] utilizan un algoritmo llamado característica combinada, las características combinadas son obtenidas de las minucias y de la información localizada entre dos minucias de la imagen de la huella adelgazada. La extracción de minucias se lleva a cabo mediante el conteo de sus ocho vecinos del centro en un vecindario. Se realiza el trazo de una línea entre dos minucias y se utiliza un contador para contar el número de crestas que cruzan la línea trazada entonces el vector de las combinaciones de características es el siguiente:

1 2

, , , , , , ,... ^rc

ij i i j j ij ij ij ij

sf = ⎣⎡x y x y rc

θ θ θ

⎤⎦

Donde:

(

x yi^, i

)

y

(

^{x yj, j}

)

son las coordenadas de las minucias, θ_ij^k es la orientación relativa y es el contador. Estos vectores son almacenados en la base de datos y son usados como una plantilla.

rcij

La combinación de características con un largo es seleccionada como referencia del punto en una huella dactilar de entrada y la mejor semejanza con un similar

rcij

Tabla 7. Resultados finales después de la combinación del mapa de densidad y minucias 

rcij es seleccionada como una referencia de la plantilla, entonces se alinea la imagen de entrada con la plantilla de acuerdo con los puntos de referencia y se obtienen dos valores uno es numero de características combinadas similares y el otro es la distancia Euclideana entre el par de características combinadas en la imagen de entrada y la plantilla. Se toma la distancia Euclideana para tomar la decisión final.

El sistema fue probado con la base de datos de FVC2004, la quinta imagen de cada dedo en DB1_A fueron almacenadas como plantillas en la base de datos. Para cada imagen de la huella una serie de huellas parciales fue generada con diferentes tamaños y orientaciones. Estas imágenes parciales y las imágenes parciales de DB1_B son usadas para la evaluación del sistema de reconocimiento de huella. Los resultados obtenidos se muestran en la tabla 8.

Tamaño de la

huella Avg. # de minucias Avg. # características

combinadas Taza de error (EER)

10% 6.12 11.92 36.66%

20% 10.53 31.56 10.66%

30% 14.17 62.13 4.66%

40% 18.97 108.52 1.2%

50% 24.56 167.40 1.12%

60% 29.49 236.75 0.86%

70% 36.18 310.71 0.75%

80% 43.20 403.31 0.69%

90% 48.9 502.83 0.58%

Tabla 8. Resultados obtenidos con imágenes de diferentes tamaños 

Wang Yuan, Yao Lixiu, Zhou Fugiang [12] en el modulo de procesamiento de la huella se encarga del aclaramiento de la imagen que se lleva a cabo mediante un banco de filtros de Gabor y el control de la calidad compara la imagen procesada con la original.

En el modulo de extracción de características de la huella se obtiene un promedio del grosor de la cresta, esta información es importante para determinar falsa minucias y se aplica la idea de calcular el número de cruces para encontrar las bifurcaciones y los

fines de línea. Se combina el campo de orientación de la imagen obtenido del aclaramiento junto con las minucias y se genera un vector característico, aquí se aplica el método de validación para la eliminación de falsas minucias.

En el modulo de comparación se desarrollan vectores de alineamiento y vectores de emparejamiento con diferentes escalas, después de esto se pone un método que adecua el área para reducir el resultado de emparejamiento falso. Primero se usa la alineación del vector característico para alinear la imagen de entrada con la última huella de la plantilla, entonces la comparación de los vectores característicos se lleva a cabo.

Se usa FVC2002 como base de huellas para evaluar la operación del algoritmo de emparejamiento. Los resultados muestran un gran avance mientras se mantiene el falso reconocimiento (FFR) disminuye la falsa aceptación (FAR). La línea azul representa las imágenes de la base de datos procesada con el algoritmo propuesto, la línea de color purpura es utilizando el algoritmo llamado “On-line fingerprint verification” y las líneas azul y verde son obtenidas utilizando dos algoritmos seleccionados de los algoritmos presentados en FVC2002 (figura 1).

Figura 1. Resultados FAR vs FRR.

T. Amornraksa, S. Tachaphetpiboon [13] dividen la imagen en bloques de 64*64 y se aplican una cuantización para después dividir el bloque en 4 sub imágenes de 32*32 pixeles, aplicando la transformada discreta coseno DCT se los coeficientes del bloque y se calcula la desviación estándar para los coeficientes de la DCT situados en seis zonas preestablecidas.

Los resultados fueron obtenidos usando una base de huellas la cual contenía 104 imágenes de huellas en escala de grises de tamaño 256*256 pixeles. La clasificación del k-enésimo sin opción de rechazo fue usada para la evaluación del funcionamiento del sistema (tabla 9). K imágenes fueron usadas para la fase de entrenamiento y 8-k fueron usadas en la fase de prueba. Este método fue comparado con el método de extracción de características la transformada discreta wavelet (DWT). La diferencia de las características extraídas con ambos métodos varía alrededor de ±10 pixeles (tabla 10).

Características DWT basadas en el método propuesto en [4]

Filtro 1-

NN[%]

2- NN[%]

3- NN[%]

4- NN[%]

Haar 5.60 98.72 98.46 100

Daubechies 4 87.91 97.44 98.46 98.08

Daubechies 5 89.01 97.44 98.46 98.08

Daubechies 6 89.01 94.87 95.39 96.15

Daubechies 7 94.51 97.44 96.92 98.08

Daubechies 8 95.60 97.44 98.46 100

Daubechies 9 97.80 100 100 100

Daubechies 10 98.90 100 100 100

Simmlet 4 92.31 98.72 98.46 100

Simmlet 5 86.81 98.72 100 100

Simmlet 6 97.80 100 98.46 100

Simmlet 7 95.60 97.44 98.46 100

Simmlet 8 91.21 100 100 100

Simmlet 9 85.71 98.72 98.46 98.08

Simmlet 10 93.41 100 100 100

Método propuesto

Características

de la DCT 100 100 100 100

Tabla 9. Taza de reconocimiento utilizando varios k-NN

Características DWT basadas en el método propuesto en [4]

Filtro 1-

NN[%]

2- NN[%]

3- NN[%]

4- NN[%]

Haar 87.69 90.77 87.69 86.15

Daubechies 4 83.08 80.77 78.46 82.31

Daubechies 5 80.77 79.23 81.54 79.23

Daubechies 6 73.08 71.54 70.77 72.31

Daubechies 7 76.15 77.19 78.46 74.62

Daubechies 8 79.23 77.69 80.77 80.00

Daubechies 9 95.39 95.39 92.31 93.85

Daubechies 10 97.69 96.92 95.39 95.39

Simmlet 4 73.08 76.92 82.31 79.23

Simmlet 5 91.54 90.00 90.77 87.69

Simmlet 6 94.62 92.31 90.00 94.62

Simmlet 7 89.23 90.77 83.85 81.54

Simmlet 8 86.15 85.39 83.08 84.62

Simmlet 9 90.77 90.00 86.92 8846

Simmlet 10 89.23 86.15 83.85 83.85

Método propuesto

Características

de la DCT 99.23 98.46 97.69 96.15

Tabla 10. Taza de reconocimiento con los puntos de referencia erróneos 

Maya V. Karki [14] el aclaramiento de la imagen de la huella se lleva acabo usando el algoritmo de los filtros de Gabor que consiste en los siguientes pasos: normalización de la imagen para reducir los efectos de la variación de la escala de grises en la imagen;

alisamiento de la imagen que se utiliza para rellenar los posibles huecos al momento de realizar la captura de la huella. Filtrado de la imagen que elimina el ruido existente en la huella. Binarización que ocupa un umbral de 0.3 para poner la imagen en 0’s y 1’s.

En la extracción de minucias se ejecuta el adelgazamiento de la imagen y después se lleva a cabo un escaneo sobre la imagen utilizando una ventana de 3*3 pixeles y utiliza el algoritmo de número de cruce de un pixel (crossing number of a pixel) evalúan los

siguientes casos: cn p( ) 1= es un final de línea, cn p( )=3es una bifurcación. Después de extraer las minucias características útiles se generan para la comparación entre dos huellas. El contador de minucias se incrementa cada que una minucia es encontrada. La densidad de la imagen se obtiene de dividir el número total de minucias entre el número total de pixeles de la imagen. La distancia Euclideana se obtiene la distancia entre dos minucias con respecto a sus coordenadas. La diferencia en el ángulo de dirección se calcula la orientación entre dos minucias y son almacenadas.

En la fase de emparejamiento de la huella se hace una comparación la cual compara las características extraídas por el algoritmo, para mejorar la exactitud del algoritmo los fines de línea y las bifurcaciones son comparadas por separado. Las características de la imagen de prueba son comparadas con las plantillas de la base de datos hasta que se encuentra una correspondencia o se agota la base de datos. Los resultados obtenidos de las distancias Euclidianas entre pares de minucias se presentan en la tabla 11.

0 48.374 78.409 96.747 117.41 32.28 57.489 49.254 50.16 78.892

48.374 0 30.067 48.374 67.082 62.241 39.56 68.25 68.118 62.514

78.409 30.067 0 18.439 37.353 89.989 54.552 92.574 92.13 71.021

96.747 48.374 18.439 0 18.974 106.71 67.119 107.56 106.98 79.196

115.41 67.082 37.353 18.974 0 123.69 81.271 122.97 122.25 89.306

32.28 62.241 89.989 106.71 123.69 0 47.802 18.439 19.647 61.4

57.489 39.55 54.552 67.119 81.271 47.802 0 42.297 41.437 24.118

49.254 68.25 92.574 107.56 122.97 18.439 42.297 0 1.4142 48.847

50.16 68.118 92.13 105.36 122.25 19.647 41.437 1.4142 0 47.539

78.892 62.514 71.021 79.196 89.308 61.4 24.187 48.847 47.539 0

Tabla 11. Resultados de la distancia Euclideana entre pares de minucias 

A. Montesanto, P. Baldassarri [15] utilizan dos algoritmos para la extracción de minucias el primero es el seguimiento de las líneas y el otro es la grabación de los finales de línea y las bifurcaciones.

El sistema para emparejar compara dos huellas representadas por un grupo de características. El emparejamiento se realiza las veces que sean necesarias para

encontrar una correspondencia entre dos huellas o hasta que se termine de recorrer toda la base de datos. Para la utilización de los momentos invariantes a rotación y translación se utiliza el algoritmo de Regulación de momentos invariantes (RMI), para la utilización del RMI se introduce un nuevo concepto que es el nivel de pertenencia y se expresa de la siguiente forma:

( , ) G x y

( )

^,

( )

^,

( ) ( )

^{, ,}

f x y =tipo x y orientación x y G x y (7)

Donde: Es el tipo de minucia (1= bifurcación, 2= fin de línea y 0= cualquier otro caso,). Se refiere a la orientación de las minucias.

(

^,

tipo x y orientación

)

) (

^{x y,}

La base de datos contiene 11 huellas de 11 personas las cuales son utilizadas para la fase de entrenamiento. Para la fase de prueba se utilizaron 31 imágenes de 11 personas y se hace la comparación del RMI.

Para el reconocimiento de intersección entre dos crestas se introduce el concepto de ángulo mínimo de dos trazos en el punto de la bifurcación, si el ángulo es menor que el umbral propuesto no es bifurcación y si es mayor se toma como una minucia.

En este trabajo se propone un hibrido complejo utilizando redes neuronales para la clasificación de entradas y para la navegación. En la navegación se utiliza un agente el cual cumple el trabajo similar a lo que hace el sonar de un submarino, da la distancia en pixeles del agente hacia las crestas o cualquier otro obstáculo en el camino.

Se compone de dos módulos, el primero consta de la red neuronal de kohonen y un perceptrón multicapa (MLP). La salida del primer modulo es la entrada del segundo el cual consta de un solo MLP que gestiona la navegación. Los perfiles normalizados y censados entre 0 y 1 so la entrada de la red neuronal con dos capas y si es con tres capas se utiliza el algoritmo de Kohonen. Después de que las trayectorias y los perfiles son categorizados se hace la asociación de trayectoria – perfil; se obtiene el vector de pesos que representa la categoría de la trayectoria represéntate del prototipo después se decodifica el vector y se obtienen las coordenadas de los puntos situados en la misma ruta. La minucias se clasifican de la siguiente forma [0 1] para fin de cresta y [1 0] para bifurcación.

Para la clasificación del perceptrón múltiple la imagen es dividida en bloques de 9*9 no traslapados, la entrada es de 81 nodos, la capa oculta tiene 40 nodos y la capa de salida tiene 2.

En la fase de identificación se utilizan tres métodos, el método secuencial, el porcentaje obtenido con todas las imágenes es de 26% y con las mejores imágenes es de 37%. Las redes neuronales, el porcentaje obtenido con todas las imágenes es de 49% y con las mejores imágenes es de a 79%. Con el clasificador neuronal el porcentaje obtenido con todas las imágenes es de 29% y con las mejores imágenes es de 47%.

Para reunir los tres resultados se utiliza la lógica difusa, el bloque difuso consiste de los pixeles de la imagen y se calcula el nivel de pertenencia para cada bloque. Las pruebas se realizaron con 31 huellas seleccionadas. Los resultados son mostrados en la tabla 12 y 13.

O Identificados Rechazados Falsa aceptación Total

Todas las imágenes 11 4 16 31

Las mejores imagenes 11 2 6 19

Tabla 12. Reconocimiento de las huellas utilizando una ventana de 30*30 

Estos resultados son utilizando una ventana de 30*30 pixeles como vecindario para buscar las minucias comunes. Si se utilizan todas las imágenes se obtiene un porcentaje de reconocimiento bajo 35% y utilizando las imágenes seleccionadas es de 58%.

O Identificados Rechazados falsa aceptación Total

Todas las imágenes 16 4 11 31

Las mejores imágenes 18 0 1 19

Tabla 13. Reconocimiento de las huellas utilizando una ventana de 20*20 

Estos resultados son utilizando una ventana de 20*20 pixeles como vecindario para buscar las minucias comunes. Si se utilizan todas las imágenes se obtiene un porcentaje de reconocimiento de 52% y utilizando las imágenes seleccionadas es de 95%.

Jin Lou, Shuzlong Lin, Jianyun [16] realizan la extracción de las características de las huellas utilizando seis niveles de descomposición de la transformada Wavelet en una imagen binaria. La imagen original es de 256*256 pixeles en escala e grises. Después de la transformada wavelet se describe una señal con los coeficientes de Wavelet que representan las características de la señal. Una Wavelet de dos dimensiones se representa de la siguiente forma:

(

^{, ,}

)

¹

( )

^,

T x y

R R

x b y c

W a b c f x y dxdy

a a

a

ψ

^{⎛ − ⎞}

ψ

^{⎛ − ⎞}

= ⎜ ⎟ ⎜ ⎟

⎝ ⎠ ⎝ ⎠

∫∫

⁽⁸⁾

Donde: _x x b a dx

ψ

^⎛_⎜ ^{− ⎞}_⎟

⎝ ⎠ es la transformada Wavelet en la dirección X, _y y b a dy

ψ

^⎛_⎜ ^{− ⎞}_⎟

⎝ ⎠ ^{es la} transformada Wavelet en la dirección Y y ^{f x y}

( )

^, es la señal de la imagen. Se obtiene un vector de 4*1 por seis capas de la WT.

En esta investigación la red neuronal EBF tiene tres capas cuya estructura es igual a la de la RBF. Todos los nodos ocultos están conectados con todas las capas de salida.

En EBFNN, cada nodo en la capa de entrada corresponde a una característica de la muestra, la dimensión de la muestra de la huella es muy larga. Por lo tanto las células neuronales de la capa de entrada pueden ser representadas por seis capas de la descomposición de WT.

En la fase de reconocimiento cuando una muestra no conocida está en la capa de entrada todos los nodos de salida son estudiados, entonces una muestra no conocida es clasificada dentro de la categoría en la que se encuentra el máximo nodo. Para esto la red neuronal en la capa de entrada tiene cuatro neuronas y la capa de salida tiene veinte que corresponden a 20 personas.

Para la obtención de los resultados se utilizaron ocho huellas de cien personas de las cuales cinco imágenes fueron para entrenamiento y tres imágenes para reconocimiento y el análisis se realizo aplicando WT- RBF y WT- EBF. En la siguiente tabla se muestran los resultados obtenidos.

Número oculto

Grupos de datos

FVC2000 FVC2002 FVC2004

WT-RBF WT-EBF WT-RBF WT-EBF WT-RBF WT-EBF

4 89.2 90.1 87 88 86.3 86.5

6 90.5 91.2 88 89.5 87.5 88.6

7 91.5 93 90 92 89 90

9 90.8 91.8 91 91.5 90.5 91

Tabla 14. Resultados utilizando diferentes descomposiciones de wavelet 

Reza Abrishambaf, Izzet Kale [17] el pre-procesamiento de la imagen se realiza usando redes neuronales celulares (Cell Neuronal Networks CNN). Primero se realiza el estrechamiento del contraste para pasar de escala de grises a un rango entre [-1, 1]

utilizando una plantilla del CNN para el estrechamiento después se ejecuta el aclaramiento de la imagen, para la eliminación del ruido se utiliza un filtro de Gabor y después de filtrar la imagen se le aplica un proceso de binarización.

En la fase de reconocimiento, se realiza el adelgazamiento de las líneas de las crestas utilizando ocho plantillas diferentes de CNN. Otro paso importante que se realiza en esta fase es la extracción de características y solo se consideran las bifurcaciones y los fines de línea. Las minucias son obtenidas de la imagen adelgazada. Por último se realiza el emparejamiento de huellas midiendo los puntos similares entre ellas.

En la ejecución del sistema se utilizan 4 diferentes huellas de 15 personas y se elige un umbral de 0.02.

Igor Astrov, Svetlana Tatarly [18] presentan tres tipos de híbridos de la red neuronal de Kohonen (three- rete hybrid Kohonen neuronal network TRHKNN) para la distorsión de la imagen de la huella dependiendo el grado de distorsión. Los híbridos son rápido, velocidad media y el lento. El algoritmo de Kohonen consiste en los siguientes pasos: Se fijan los coeficientes iníciales para la red. Se presenta la señal de entrada para la red. Se calcula la distancia con la siguiente expresión:

( ) ( )

(

²

1 N

j i ij

i

d x t w t

=

=

∑

−

)

⁽⁹⁾

Donde x ti

( )

es el elemento de la señal de entrada y w tij

( )

es el peso del elemento.

Se toma la neurona con el mínimo valor en la distancia. Se ajustan los pesos de la entrada (ecuación 10)

(

¹

) ( ( ) ( ) )

ij ij i ij

w t + = w +

η

x t −w t (10)

Donde

η

es el número del paso en el entrenamiento.

Esto se realiza hasta que se reduce al mínimo la distancia entre las señales de entrada de una neurona la cual actúa como neurona de salida de la capa anterior y como el peso de su coeficiente de sus sinapsis.

En la parte rápida de TRHKNN se distingue la imagen de una huella mientras en la parte media y lenta se reconstruye la huella. El vector de atributos se formo para

Figura 2. En la grafica se representa la taza de falsa aceptación (FAR) y la taza de falso rechazo (FRR) con respecto al umbral propuesto.

evaluar el reconocimiento de la huella dactilar y medir la exactitud de este reconocedor. Si la parte de velocidad media no hace una exacta restauración de la imagen comienza a trabajar la parte lenta.

Los resultados utilizando únicamente FKNN es de 85.0281% que es bajo para el mínimo aceptado de 99.85. Después se pasa de FKNN a MKNN y se obtiene un 98.8471%. Por último utilizando también SKNN se obtiene el mejor porcentaje de reconocimiento de huella de imagen distorsionada que es de 99.8907%.

2.2 CONCLUSIONES

Como pudimos darnos cuenta, existe una gran variedad de propuestas para sistemas de reconocimiento automático de personas utilizando su huella dactilar. Estos sistemas van desde la comparación de los vectores característico de una huella el cual es formado por la información referente a las minucias, el entrenamiento de redes neuronales, la utilización de la lógica difusa hasta la combinación de varios algoritmos (algoritmos híbridos) para la obtención de un mejor resultado.

La mayoría de los trabajos hace referencia a la calidad de las imágenes utilizadas por ellos. Entonces la calidad de la imagen es trascendental ya que de ello depende la obtención de las características utilizadas para el reconocimiento de huellas.

La fase de reconocimiento, dependiendo del sistema propuesto es el número de operaciones que se realiza para obtener el resultado de aceptación o rechazo de la huella de prueba y así obtener el porcentaje de efectividad del sistema.

En los trabajos mencionados se utilizaron diferentes tipos de bases de datos, las cuales tienen imágenes con calidad y tamaño diferente, esto es debido a que fueron obtenidas de diversas formas. En la mayoría de los casos la base de datos que se utilizo fue generada mediante la utilización de lectores de huellas, en algunos casos se utilizaron cámaras digitales para capturar la imagen de la huella dactilar y también se utilizaron bases de datos de huellas estándar, la cuales pueden ser obtenidas en línea (internet).

Debido a las características del sistema (los algoritmos utilizados para procesar la imagen y obtener resultados) y las características de las imágenes (tamaño, calidad de la imagen y color) los resultados que fueron obtenidos con los diferentes sistemas varían al momento de hacer el reconocimiento o clasificación de las huellas por lo que hacer una comparación directa entre sistemas resulta difícil.

Capítulo 3

MARCO TEÓRICO

3.1 MARCO TEORICO

3.1.1 Conceptos generales.

3.1.1.1 Biometría.

Todos los seres humanos tenemos características morfológicas únicas que nos diferencian [19]. La biometría es el estudio de métodos automáticos para el reconocimiento único de humanos basados en uno o más rasgos conductuales o físicos intrínsecos. El término se deriva de las palabras griegas "bios" de vida y "metron" de medida.

La biometría no se puso en práctica en las culturas occidentales hasta finales del siglo XIX, pero era utilizada en China desde al menos el siglo XIV. Un explorador y escritor que respondía al nombre de Joao de Barros escribió que los comerciantes chinos estampaban las impresiones y las huellas de la palma de las manos de los niños en papel con tinta. Los comerciantes hacían esto como método para distinguir entre los niños jóvenes.

En Occidente, la identificación confiaba simplemente en la "memoria fotográfica"

hasta que Alphonse Bertillon, jefe del departamento fotográfico de la Policía de París, desarrolló el sistema antropométrico (también conocido más tarde como Bertillonage) en 1883. Éste era el primer sistema preciso, ampliamente utilizado científicamente para identificar a criminales y convirtió a la biométrica en un campo de estudio. Funcionaba midiendo de forma precisa ciertas longitudes y anchuras de la cabeza y del cuerpo, así como registrando marcas individuales como tatuajes y cicatrices. El sistema de Bertillon fue adoptado extensamente en occidente hasta que aparecieron defectos en el sistema principalmente problemas con métodos distintos de medidas y cambios de medida.

Después de esto, las fuerzas policiales occidentales comenzaron a usar la huella dactilar esencialmente el mismo sistema visto en China cientos de años antes.

Recientemente e incongruentemente, el significado del término se ha ampliado, para incluir el estudio de métodos para el reconocimiento de los seres humanos basándose exclusivamente en las características físicas y de comportamiento asociadas a la persona en cuestión [4].

La biometría se soporta en siete pilares o conceptos básicos que son:

• Universalidad: Que tan común es encontrar este biométrico en los individuos.

• Singularidad: Que tan único o diferenciable es la huella biométrica entre uno y otro individuo.

• Permanencia: Que tanto perdura la huella biométrica en el tiempo de manera inalterable.

• Recolectable: Que tan fácil es la adquisición, medición y almacenamiento de la huella biométrica.

• Calidad: Que tan preciso, veloz y robusto es el sistema en el manejo de la huella biométrica.

• Aceptabilidad: Que tanta aprobación tiene la tecnología entre el público.

• Fiabilidad: Que tan fácil es engañar al sistema de autenticación [20], [21].

En la biometría hay tres términos de uso muy frecuente que son: reconocimiento, verificación e identificación, cada uno de estos términos que a simple vista parecen muy similares, tienen significados muy diferentes.

Reconocimiento: Es un término genérico que no implica por defecto una verificación o identificación de un individuo. Todos los sistemas biométricos realizan reconocimiento para una persona que se ha ingresado previamente al sistema.

Verificación: Es una tarea de los sistemas biométricos que busca confirmar la identidad de un individuo que la reclama comparando una muestra biométrica con la plantilla biométrica previamente ingresada al sistema.

Identificación: Es una tarea donde los sistemas biométricos buscan determinar la identidad de un individuo. El dato biométrico es tomado y comparado contra las plantillas en la base de datos, la identificación puede ser cerrada (si se sabe que la persona existe en la base de datos) o abierta (si no se sabe con certeza si la persona existe en la base de datos), la identificación abierta también es llamada watchlist.

Partiendo de las definiciones anteriores sabemos que hay tres formas para comparar la muestra biométrica, la comparación uno a uno (Verificación), la comparación uno a muchos (Identificación cerrada) y la comparación uno a pocos que es una mezcla de los dos primeros (identificación abierta o watchlist) [19].