Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACAN SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN REPORTE FINAL DEL PROYECTO DE INVESTIGACION "RECONOCIMIENTO DE IDENTIDAD USANDO BIOMETRIA DE HUELLA Y ROSTRO PARA APLICACIONES DE SEGURIDAD" CLAVE 20070894 DIRECTOR DEL PROYECTO: DR. GABRIEL SÁNCHEZ PÉREZ. INDICE Resumen. 2 1. Introducción. 3 2. Objetivo. 4 3. Marco Teórico. 5 3.1 Conceptos generales de biometría. 5 3.2 Modalidades de biométricas. 11 3.2.1 Reconocimiento facial . 11 3.2.2 Reconocimiento de iris . 12 3.2.3 Reconocimiento de huella digital. 13 3.2.4 Matlab. 14 4. Desarrollo. 16 4.1 Sistema propuesto. 16 4.1.1 Adquisición. 17 4.1.2 Optimización. 17 4.1.3 Segmentación. 20 4.1.4 Binarización. 21 4.1.5 Recorte. 21 4.1.6 Adelgazamiento. 22 4.1.7 Extracción de minucias . 29 4.1.8 Calculo de ángulo y distancia entre minucias . 30 5. Resultados. 33 6. Conclusiones. 35 7. Referencias. 36 Anexo I 37 Productos de la investigación. Anexo II 41 Índice de imágenes. Anexo III 43 Índice de tablas. RESUMEN Una huella dactilar o huella digital, es la impresión visible o moldeada que produce el contacto de las crestas papilares. Depende de las condiciones en que se haga el dactilograma (impregnando o no de substancias de color distinto al soporte en que asiente), y de las características del soporte (materias plásticas o blandas, en debidas condiciones), Sin embargo, es una característica individual que se utiliza 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 cuanto a la identificación de la persona. La huella digital posee características únicas llamadas minucias, las cuales son puntos en donde una curva de la huella 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, se plantea un método de extracción de minucias así como la obtención del vector característico el cual contiene distancia, ángulo, coordenadas de la minucia que se está evaluando y coordenadas de la minucia que es referencia, también los momentos de cada punto característico para su posterior entrenamiento y reconocimiento. 1. INTRODUCCIÓN La biometría se refiere a la identificación de las características biológicas - fisiológicas únicas de un ser humano, siendo los casos más comunes el ADN, rostro, iris, voz y la huella dactilar. La huella dactilar al ser única, intransferible constante a través del tiempo la hace ideal para sistemas de identificación o verificación humana, además de ser más fácil de adquirir que algunas otras características biométricas. La probabilidad de encontrar dos huellas dactilares similares es de 1.9x10-15 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 utilizara en este trabajo por ser más barato. Entre mayor calidad de imagen se tengan 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. OBJETIVO El objetivo de esta investigación es proponer una mejor solución al reconocimiento de personas por medio de sus huellas dactilares, aunque existen varios métodos por los cuales se ha dado solución a este problema su porcentaje de efectividad no es total por esta razón es que se propone el desarrollo un sistema el cual nos brinde una efectividad mayor o igual a las existentes. 3. MARCO TEORICO 3.1 Conceptos generales de la biometría El termino biometría viene del griego "bio" que significa vida y "metría" que significa medida o medición, de acuerdo al diccionario de la real academia de la lengua española biometría es el estudio mensurativo o estadístico de los fenómenos o procesos biológicos, 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 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. En la biometría se distinguen dos grupos de registros biométricos los fisiológicos o morfológicos y los conductuales. 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, mano, 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, etc. Tecnología Como Trabaja Tamaño plantilla (bytes) Fiabilidad Facilidad De Uso Posibles Incidencias Costo Aceptación Usuario Huella digital Captura y compara patrones de la huella digital 250- 1000 Muy alta Alta Ausencia de miembro Bajo Alta Geometría de la mano Mide y compara dimensiones de la mano y dedos 9 Baja Alta Edad, Ausencia de miembro Bajo Alta Retina Captura y compara los patrones de la retina 96 Baja Baja Gafas Alto Baja Iris Captura y compara los 512 Baja Baja Luz Muy alto Baja patrones del iris Geometría facial Captura y compara patrones faciales 84o 1300 Baja Baja Edad, Cabello, luz Medio Baja Voz Captura y compara cadencia, pitch, y tono de la voz 10000- 20000 Alta Media Ruido, temperatura y meteorología Alto Media Firma Captura y compara ritmo, aceleración, y presión de la firma 1000 – 3000 Alta Media Edad, cambios, analfabetismo Alto Media Tabla 1. Comparativo de las tecnologías biométricas más comunes. En general un sistema biométrico se puede esquematizar de la siguiente manera: 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 "distinguir de nuevo" 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). Verificación: En el proceso de comparación uno a uno, el usuario presenta su(s) dato(s) biométrico(s) y este se compara con la plantilla biométrica almacenada en una base de datos o en un dispositivo portátil, verificando si hay o no coincidencia para esa identidad en la referencia establecida. Identificación cerrada: En el proceso de comparación uno a muchos, el usuario presenta su(s) dato(s) biométrico(s) y el dato biométrico se compara contra la base de datos, donde se sabe que existe, buscando la identidad más probable del usuario. Identificación abierta: es un proceso hibrido entre la verificación y la identificación cerrada, donde la persona no reclama una identidad específica, entonces se compara contra toda la base de datos para verificar si existe en la base de datos, una vez se verifica que posiblemente existe, dentro de las coincidencias más probables, determina quién es el usuario. La precisión de un sistema biométrico está determinado por una serie de pruebas, que están divididas en tres categorías tecnología, escenario y operacional y para su evaluación se consideran varios conceptos que se pueden generalizar en dos conceptos la probabilidad de que alguien autorizado sea rechazado y la probabilidad de que alguien no autorizado sea aceptado, el termino a usar varía, a grandes rasgos, dependiendo el tipo de comparación que se haga y en que categoría se haga la evaluación. Los términos más comúnmente observados son los siguientes: La Tasa de falsa aceptación: (FAR – False Acceptance Rate). Es decir cuando un individuo es identificado como usuario de manera incorrecta. Este valor debe ser lo suficientemente bajo como para que no se impida el ingreso a los usuarios, pero no tanto que permita el ingreso de personal no autorizado. El valor depende de lo sensible del área o sistema a proteger y de la necesidad del usuario. A nivel de fabricantes la mayoría tienen esta tasa entre el 0.0001% y el 0.1%. La tasa dada normalmente asume intentos pasivos del impostor. Tasa de Falso Rechazo (FRR - False Reject Rate): La probabilidad de que un dispositivo rechace una persona autorizada. Comercialmente su valor varía entre el 0.00066% y el 1%. El punto de intersección entre la tasa de falsa aceptación y la tasa de falso rechazo se conoce como la tasa de error igual (EER - Equal Error Rate), algunas veces se llama tasa de error cruzada (CER – Crossover Error Rate).Es una estadística que muestra la actuación del biométrico, típicamente cuando opera en la tarea de verificación. En general entre más bajo sea el valor de la tasa de error igual, más alto es la precisión del sistema biométrico. 3.2 Modalidades biométricas Las tecnologías biométricas de mayor uso hoy y con más apoyo por las industrias comerciales son: la huella digital, el reconocimiento facial, la geometría de la mano, el iris, la voz, la firma. 3.2.1 Reconocimiento facial El reconocimiento facial puede ser menos exacto que las huellas digitales, pero tiende a ser menos invasivo. La mayoría de sistemas de reconocimiento facial usados hoy clasifican la apariencia - intenta medir algunos puntos nodales en la cara - como la distancia entre los ojos, la anchura de la nariz, la distancia del ojo a la boca, o la longitud de la línea de la mandíbula. ( )FTAFMRPRFAR −= 1** ( ) ( ) ( ) FNMRBERFTABERFTAFTAFRR *1*1*1 −−+−+= El reconocimiento de la cara bidimensional ha experimentado algunos obstáculos que el reconocimiento de la cara tridimensional tradicionalmente elimina parcial o totalmente: (1) la iluminación consistente de una cara y las sombras correspondientes; (2) orientación común o pose de una cara; y (3) variación de las expresiones faciales. Debido al juego más rico de pistas geométricas tridimensionales, incluso la información del rango (por ejemplo, profundidad), el descubrimiento de la cara puede simplificarse. 3.2.2 Reconocimiento del iris La tecnología de reconocimiento del iris mira las características únicas del iris. Mientras la mayoría de biométricos tiene 13 a 60 características distintas, se dice que el iris tiene 266 puntos únicos. Se cree que Cada ojo es único y permanece estable con el tiempo y en los ambientes. 3.2.3 Reconocimiento de Huella digital La comparación de la huella digital es una de las técnicas más antiguas y ampliamente utilizadas y aceptas a nivel global. los sistemas actuales de comparación de la huella digital tienen su base en los desarrollos realizados por Galton y Purkinje. La huella digital aparece generalmente constituida por una serie de líneas oscuras que representan las crestas y una serie de espacios blancos que representan los valles. La identificación con huellas digitales está basada principalmente en las minucias (la ubicación y dirección de las terminaciones de crestas, bifurcaciones, deltas, valles y crestas, aunque existen muchas otras características de huellas digitales. Tipos de captura de huellas Dactilogramas: Es el conjunto de dibujos dactilares de los diez dedos de la mano, hay tres clases: Naturales: Son aquellas huellas que uno posee desde antes de nacer hasta después de la muerte. Artificiales: Son los que obtienen después de entintarlos e imprimirlos en una cartulina o ficha dactiloscópica. Latentes: Son los que se dejan impregnadas en una superficie limpia, tersa, pulimentada o en la piel. 3.2.4 Matlab MATLAB es la abreviatura de Matrix Laboratory (laboratorio de matrices). Es un programa de análisis numérico creado por The MathWorks en 1984. Está disponible para las plataformas Unix, Windows y Mac OS X. Se pueden ampliar sus capacidades con Toolboxes, algunas de ellas están destinadas al procesado digital de señal, adquisición de datos, economía, inteligencia artificial, lógica difusa... También cuenta con otras herramientas como Simulink, que sirve para simular sistemas. La primera versión surgió con la idea de emplear unos paquetes de subrutinas escritas en Fortran enlos cursos de álgebra lineal y análisis numérico, sin necesidad de escribir programas en Fortran. Usa un lenguaje de programación creado en 1970 para proporcionar un sencillo acceso al software de matrices LINPACK y EISPACK sin tener que usar Fortran. También tiene su propio compilador. Es un software muy usado en universidades, centros de investigación y por ingenieros. En los últimos años ha incluido muchas más capacidades, como la de programar directamente procesadores digitales de señal, crear código VHDL y otras. MATLAB es un programa de cálculo numérico, orientado a matrices y vectores. Por tanto desde el principio hay que pensar que todo lo que se pretenda hacer con el, será mucho más rápido y efectivo si se piensa en términos de matrices y vectores. 4. DESARROLLO 4.1 Sistema propuesto El método propuesto en este trabajo es aplicar la trasformada rápida de fourier (FFT) para aclarar y reconstruir la información de la imagen de una huella dactilar así como extraer dos tipos de minucias fundamentales, fin de cresta y bifurcación. El sistema propuesto consta de seis etapas: 1. Adquisición de la imagen de la huella. 2. Optimización de la imagen. 3. Segmentación de la imagen. 4. Binarización de la imagen. 5. Limitación (corte) de la imagen de la huella. 6. Adelgazamiento de la huella 7. Extracción de puntos característicos (minucias). 8. Calculo del ángulo y la distancia entre minucias. Cada una de estas etapas fue evaluada con diferentes huellas dactilares, unas con menos ruido en las cuales fue más fácil trabajar debido a su propia naturaleza, otras con una calidad de imagen pobre donde la información era casi nula aun así el sistema pudo reconstruir la forma de la huella y extraer las minucias. 4.1.1 Adquisición La adquisición de la imagen de la huella se realizo desde un dispositivo de captura biométrico de huellas dactilares UaU4000 de Digital Persona Inc. con interfaz USB 2.0. Se programo en Matlab el controlador para dicha captura, debido a que los componentes para la adquisición de la imagen eran vendidos por la misma compañía pero resultaba muy caro. Las imágenes se capturaron con una resolución de 512 DPI y en un tamaño de 340x340 píxeles con una profundidad de color de 8 bits en escala de grises. Para este trabajo se creó una base de datos de 500 huellas dactilares de los dedos pulgares derechos de 50 diferentes personas. Figura9. Scanner y huella capturada. 4.1.2 Optimización Para conseguir una buena extracción de características (minucias), se depende de la optimización de la imagen. Algoritmos de uso general en el procesamiento de imágenes no son útiles para el caso de la optimización de huellas dactilares, por lo que el concepto de ruido dentro del campo de huellas dactilares está relacionado con la discontinuidad de los surcos, definiendo surcos de una huella dactilar como todas y cada una de las líneas que la componen. Estas discontinuidades generan perdida de información por lo que si no se realiza la etapa de optimización se generaran falsas minucias. Esto Sucede por el exceso de presión en el sensor durante el proceso de adquisición. La mayor parte de las regiones en una imagen de huella dactilar tienen una frecuencia y orientación constantes, un simple filtro que actúe sobre toda la imagen no es apto debido a la naturaleza no estacionaria de la huella dactilar. La mayoría de las técnicas de optimización de huellas dactilares usan filtros contextuales cuyos parámetros dependen de la frecuencia y orientación local de las crestas. Por la propiedad de continuidad y regularidad de las huellas dactilares las regiones corruptas o llamémosles también con pérdida de información pueden ser recuperadas usando información contextual de las regiones vecinas. En el presente trabajo se utiliza un algoritmo que estima la frecuencia y orientaciones locales usando el análisis de la transformada rápida de Fourier. Las regiones locales pueden ser modeladas como una superficie de curvas representada completamente por su orientación φ y su frecuencia ƒ. Estos parámetros son donde se busca aplicar el análisis de la transformada rápida de Fourier y también un banco de filtros de Gabor. Aplicando cada método por separado y haciendo una suma al final de la optimización de cada método para obtener una imagen mas confiable. Una región local puede ser modelada como una superficie de curvas como: Los parámetros de la superficie de curvas (ƒ,φ) se obtienen de su espectro en Fourier que consiste de dos impulsos cuya distancia desde el origen indica la frecuencia y su posición angular indica la orientación de la curva. En la siguiente figura se presentan las etapas de la fase de optimización, donde se reconstruyen las líneas de la huella dactilar. Figura10. Resultado del análisis para una ventana de 10*10 (a)Imagen Capturada (b) Región Local. (c)Aproximación por superficie de curvas. Esta etapa se realiza para toda la huella dactilar teniendo como resultado la figura 5. ( ) ( ) ( )( ){ }φφπ senyxAyxI *cos*cos*2*, += Figura13. Imagen obtenida después de la optimización con Gabor y FFT. 4.1.3 Segmentación El proceso de segmentación es en el cual se realiza la separación del fondo de la imagen y de las crestas reconstruidas de la huella, debido a que se necesita solo la información propia de las huella para después ser binarizada y así poder trabajar la nueva imagen en escala de 1’s y 0’s. La optimización de la imagen por la transformada Rápida de Fourier nos da como resultado una imagen en escala de 256 tonos de grises con las curvas de las huellas bien definidas en contraste con el fondo, esto nos reduce el costo computacional de la segmentación a un simple filtro. En la figura 6 se observa el resultado de la segmentación para un umbral de 110 siendo el número mayor el 255. Figura14. Segmentación con α=110. Es importante resaltar que se probaron varios valores de umbral α encontrándose que los mejores resultados se obtienen para valores de α cercanos al valor medio de la escala de grises. Por otra parte se encontró que depende mucho de la calidad de la imagen que umbral que se debe utilizar ya que los valores que arroja la FFT también dependerán de la imagen original. Una vez realizado el proceso de segmentación se llevo a cabo la bancarización de la imagen. 4.1.4 Binarización La imagen segmentada con las crestas y los valles bien definidos ahora será binarizada de forma que los valores diferentes a β se igualan a 0. Esto es, los píxeles negros tendrán un valor de 0 mientras que los píxeles blancos un valor de 1, como se muestra en la figura 13. Figura15. Imagen biranizada. 4.1.5 Recorte Un gran porcentaje de las imágenes de huella dactilar presentan ruido en las zonas cercanas a los extremos de la imagen, este ruido puede ser causado por diferentes factores como el movimiento del dedo en el momento de la captura o la poca presión en las áreas laterales del scanner. Estos ruidos deben ser eliminados para asegurar que solo información útil será procesada al momento de extraer las minucias. En caso de que no se eliminaran dichos ruidos estaríamos en condiciones de que el algoritmo de extracción de minucias detectara falsas minucias en los elementos de ruido. Por esta razón la imagen fue recortada en un 10 % en cada uno de sus lados tomando en cuenta que no se eliminara información propia de la huella como se observa en la figura 14. Figura16. Imagen recortada. 4.1.6 Adelgazamiento Antes de entrar a la etapa de extracción de minucias, se aplica un proceso de adelgazamiento, es decir, un algoritmo donde el resultado sea una imagen con líneas del mínimo grosor posible paraeste trabajo el mínimo grosor es de un pixel. Para entender mejor el algoritmo es necesario conocer algunas definiciones. Recordemos que después del proceso de binarización la imagen se compone únicamente de 1 y 0, donde un 1 significa un píxel blanco y un 0 píxel negro. Un píxel 0 (x, y) es interno si sus cuatro vecinos (x+1, y), (x-1, y), (x, y+1) y (x, y-1) son 0 (píxel negro). El límite es definido usando sus 8 conexiones. Un píxel es un píxel límite si este no es un píxel interno y al menos uno de sus 8 vecinos es un 1. Un píxel de conexión es aquel que al ser eliminado de una matriz de 3 x 3 sus vecinos quedan desconectados. Básicamente, el algoritmo de adelgazamiento consiste en encontrar píxeles internos en nuestra imagen y posteriormente eliminar el píxel límite. Este proceso se lleva a cabo hasta no encontrar más píxeles internos. A continuación se explica con mayor detalle. El primer paso de este algoritmo es encontrar todos los píxeles internos que existen en nuestra imagen. Posteriormente, se eliminan todos los píxeles que sean un límite, teniendo cuidado de que no se sea un píxel de conexión. Este primer paso se ilustra en la figura 15. Figura17. Imagen original. Figura19. Imagen después de la eliminación de píxeles límites. Como se mencionó anteriormente, este algoritmo se repite hasta no encontrar más píxeles internos. En las siguientes figuras se ilustra un paso más de este proceso. Figura20. Imagen original. Figura22. Imagen después de la eliminación de píxeles límites. Después de adelgazar la imagen y no encontrar más píxeles internos, se aplica el mismo algoritmo una vez más pero en esta ocasión con un pequeño cambio. Este cambio consiste en encontrar píxeles internos únicamente con 3 píxeles vecinos en 0 para después eliminar los píxeles límites y el resultado se muestra en las siguientes figuras. Figura24. Imagen después de la eliminación de píxeles límites. En el proceso anterior podemos ver la eliminación de dos píxeles internos. Este paso se realiza cuando no es posible la eliminación de algún píxel límite pero existe un píxel interno. El último paso es nuevamente la repetición del mismo algoritmo pero en esta ocasión encontrando píxeles internos con dos vecinos únicamente. Teniendo en cuenta la eliminación del píxel interno si no es posible eliminar algún píxel vecino. Figura25. Imagen original. El resultado final después de aplicar las N repeticiones necesarias para adelgazar la imagen es el siguiente: Figura27. Imagen final después del proceso de adelgazamiento. Figura 28. Imagen de la huella original. Figura29. Imagen de la huella adelgazada. 4.1.7 Extracción de minucias Una vez que la imagen esta lista para que le sea aplicado el algoritmo de extracción de minucias calculando el número de píxeles que cruzan a Pc, que está dada por la siguiente ecuación: ∑ = = 8 1 )( i ipPc Figura30. Ventana de 3x3 píxeles posibles casos de evaluación para encontrar minucias. La figura del bloque del lado izquierdo tiene un Pc(n)=6, lo que significa que no hay minucia, la figura del centro tiene un Pc(n)=5 nos explica la existencia de una minucia de tipo bifurcación y la figura del lado derecho con un Pc(n)=7 indica una minucia de tipo fin de cresta. Este proceso se realiza sobre toda la imagen binarizada y recortada aplicando un ventaneo de 3x3 encontrándose la posición con respecto a la imagen descrita por un par ordenado (x, y) que representa su posición coordenada en la imagen. Con esto tendremos una localización aproximada de las minucias de la huella en proceso, siendo esto un vector de características muy importantes para después ser utilizarlo en otra fase ya sea de reconocimiento o identificación de la persona utilizando su huella dactilar. Figura 31. Huella con las minucias marcadas con *. 4.1.8 Calculo del ángulo y la distancia entre minucias. El cálculo del ángulo se lleva a cabo por medio del trazo de un triangulo entre las coordenadas en (X1, Y1) las cuales se pertenecen a la minucia de referencia con respecto a la minucia que se va a hacer la evaluación (X2, Y2), este proceso se realiza de un punto contra todos y así sucesivamente para cada minucia. Figura 32. Imagen con la forma de obtener la distancia y el ángulo θ. Y el vector lo formamos de la siguiente forma: Vector=[D A X1 Y1 X2 Y2] Donde: D= Distancia. A= Angulo. X1= Coordenada 1 en X. Y1= Coordenada 1 en Y. X2= Coordenada 2 en X. Y2= Coordenada 2 en Y. Y la forma en que quedan los datos se muestran en la siguiente tabla: Distancia Angulo X1 Y1 X2 Y2 θ (X1, Y1) (X2, Y2) distancia 17.4642 166.7597 273 234 277 251 93.2631 85.6955 273 234 280 141 7.6158 113.1988 273 234 280 237 Tabla 1. Tabla que muestra la forma en que queda la matriz generada por las minucias de la huella. Con los vectores característicos se realizo una comparación entre los vectores que genera una imagen de prueba con los vectores que tenemos en la base de las huellas ya procesadas, esta comparación da como posible ganadora una o más personas lo cual puede generar una falsa aceptación. Posteriormente se efectúa una segunda etapa de verificación para la eliminación de imágenes similares quedándonos solo con la imagen verdadera. Los momentos estadísticos de orden 3 y 4 se refieren a la forma de distribución de los pixeles en una imagen. Los momentos de orden 3 son esencialmente una medida de la asimetría de la señal alrededor de su línea principal. Si la asimetría es negativa toma más valores bajos que altos, si la asimetría es positiva toma más valores altos que bajos y si la asimetría es cero los valores altos y bajos tienen la misma posibilidad de ocurrir. Los momentos de orden 4 nos da el ancho de la distribución entre pixeles. La etapa de verificación consiste en la obtención de parámetros estadísticos de la imagen adelgazada. Estos parámetros son la Kurtosis vertical y horizontal al igual que Skewness vertical y horizontal. También se calculan los valores relativos entre Kurtosis horizontal - Skewness horizontal y Kurtosis vertical - Skewness vertical, además de los valores relativos de proyección tanto horizontal como vertical de la imagen El entrenamiento de la red se realizo con 5 imágenes de las huellas de cada persona y la red neuronal artificial que se ocupo fue un perceptron multicapa con retro propagación con las siguientes características 8 neuronas en la capa de entrada, 5 neuronas en la capa oculta y una neurona en la capa de salida. 5. RESULTADOS Con las imágenes almacenadas y las no almacenadas cada persona tuvo 5 pruebas y los resultados de estas se muestran a continuación. En la tabla 2 se muestran las pruebas hechas en la primer etapa que es la de comparación entre las imágenes almacenadas y las de prueba con un umbral de aceptación era de 15, en otras palabras era necesario que 15 valores fueran iguales para que la imagen de la huella se tomara como verdadera. Tabla2. Resultados obtenidos para 50 imágenes utilizando solo la primer etapa con un umbral de 15. En la tabla 3 se muestran los resultados obtenidos con los parámetros estáticos. Tabla3. Resultados obtenidos para 50 imágenes utilizando solo la segunda etapa con un umbral de 15. En la tabla 4 se muestran los resultados obtenidos con la combinación de ambas etapas. Tabla4. Resultados obtenidos para 50 imágenes combinando las 2 etapas con un umbral de 15. En la tabla5 se muestran pruebas realizadas con un umbral de 10 para aceptar como verdadera la imagen de la huella. Tabla5. Resultados obtenidos para 50 imágenes combinando las 2 etapas con un umbral de 10. En la tabla 6 se muestran pruebas realizadas con un umbral de 20 para aceptar como verdadera la imagen de la huella. Tabla6. Resultados obtenidos para 50 imágenes combinando las 2 etapas con un umbral de 20. 6. CONCLUSIONES Sea presentado una mejora de la imagen de la huella digital que es un algoritmo basado en la combinación de filtros de Fourier en el dominio espacial y uno de los mejores algoritmos para el mejoramiento de las huellas digitales como lo son los filtros de Gabor. Cuya característica principal es que tiene una conexión direccional optima y la frecuencia de resolución pero no funciona de manera adecuada en las regiones con curvatura muy cerrada debido a esto es que se ocupa el segundo método de mejora de la huella digital para la eliminación de este problema. Una vez que la huella digital fue tratada un algoritmo de reconocimiento basado en minucias fue desarrollado obteniendo buenos resultados. Pero muchas veces la imagen de entrada era similar a mas de una de las imágenes almacenadas en la base de datos, debido a esto se decidió hacer una fase de verificación posterior a la fase de reconocimiento y así asegurar una sola salida. Los resultados muestran un elevado porcentaje de reconocimiento para aplicaciones de tamaño normal. Los resultados son bastante aceptables ya que presentan un elevado porcentaje de reconocimiento, solo un 0.3% de falsa aceptación y 2% de falso rechazo, esto no es problema ya que el usuario solo debe poner su huella de nuevo para que el procedimiento se realice de nueva cuenta. 7. REFERENCIAS [1] Sharat S. Chikkerur, N. Cartwright and Venu Govindaraju “Fingerprint Image Enhancement using SFTF Analysis”, Pattern Recognition, Journal of Pattern Recognition Society. [2] Venu Govindaraju, Zhixi Shi, “Feature Extraction using Chain code Contour Representation of FingerprintImages”. Pattern Recognition, Journal of Pattern Recognition Society, Elsevier ComputerScience.com. [3] F.A. Afsar, M. Arif and M. Hussain “Fingerprint Identification and Verification System using Minutiae Matching”. International conference on Image Processing (ICIP), Greece 2001 [4] Sharat S. Chikkerur, Sharat Pankanti, Nalini K. Ratha, Ruud Bolle, and Venu Govindaraju “Minutiae Verification in Fingerprint Images Using Steerable Wedge Filters”. IEEE Signal Processing Vol. 12 2003. [5] Anil J. Lin Hong, Ruud Bolle “On-Line Fingerprint Verification”, IEEE Transactions on Patter Analysis and Machine Intelligence, Vol 19 No. 4 1997. [6] Jinqing QI, Dongju LI, Tsuyoshi Issiki and Hiroiki Kunieda, “Fast Fingerprint Classification Based on Direction Pattern”, ieice trans. Fundamentals, Vol E87-A No.8 Agosto 2004. [7] www.mografias.com México DF 9 julio de 2007, 14:05. [8] www.wikipedia.com México DF 8 julio de 2007, 18:30. ANEXO I Productos obtenidos de la investigación. 1. “Reconocimiento de identidad usando biometría de huella y rostro para aplicaciones de seguridad” Instituto Politécnico Nacional. Escuela Superior de Ingeniería Mecánica y Eléctrica, Unidad Culhuacan. Sección de estudios de posgrado e investigación. Congreso: Primer foro del programa institucional de formación de investigadores de la ESIME CULHUACAN 2007. Sede: Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Culhuacan. Av. Santa Ana N. 1000 col. San Francisco Culhuacan Del. Coyoacan. Fecha: 24 y 24 de octubre. 2. “Extracción de Vectores Característicos en Base a las Minucias en Huellas Dactilares” Instituto Politécnico Nacional. Escuela Superior de Ingeniería Mecánica y Eléctrica, Unidad Culhuacan. Sección de estudios de posgrado e investigación. Congreso: decimoctava reunión de otoño de comunicación, electrónica y exposición industrial. IEEE ROC&C´2007. Sede: Hotel Hyatt Regency Acapulco Fecha: 25 al 30 de noviembre del 2007, Acapulco, Guerrero, México. 3. “Fingerprint Recognition Using Local Features and Statistical Parameters” ESIME Culhuacan, National Polytechnic Institute Congreso: 16th International Conference on Computing. CIC - 2007. IEEE CS. Sede: Centro Cultural Jaime Torres Bodet, Av. Wilfrido Massieu s/n casi esq. Av. Instituto Politécnico Nacional, Unidad Profesional "Adolfo López Mateos", Zacatenco, Delegación Gustavo A. Madero, CP 07738, México, D. F., México. Fecha: 6 al 8 de noviembre de 2007, ciudad de México, México. ANEXO II Índice de imágenes. Figura 1. Sistema biométrico genérico. 7 Figura 2. Proceso de captura y verificación de usuario. 9 Figura 3. Definición de la tasa de error igual. 10 Figura 4. Mercado biométrico por tecnología. 11 Figura 5. Sistema de verificación facial. 12 Figura 6. Partes del ojo. 13 Figura 7. Características de la huella digital. 13 Figura 8. Proceso común de escaneo de la huella digital. 14 Figura 9. Scanner y huella capturada. 17 Figura 10. Resultado del análisis para una ventana de 10*10. 19 Figura 11. Imagen obtenida de los filtros de Gabor. 19 Figura 12. Imagen obtenida después de aplicar FFT. 19 Figura 13. Imagen final sumando Gabor y FFT. 20 Figura 14. Imagen segmentada. 20 Figura 15. Imagen Binarizada. 21 Figura 16. Imagen recortada. 22 Figura 17. Imagen original. 23 Figura 18. Imagen con pixeles internos 23 Figura 19. Imagen después de eliminar pixeles internos. 24 Figura 20. Imagen original. 24 Figura 21. Imagen con pixeles internos 25 Figura 22. Imagen después de eliminar pixeles internos. 25 Figura 23. Imagen con pixeles internos 3. 26 Figura 24. Imagen después de eliminar pixeles internos. 26 Figura 25. Imagen original. 27 Figura 26. Figura de eliminación de pixeles externos con un pixel interno. 27 Figura 27. Figura final después del proceso de adelgazamiento. 28 Figura 28. Imagen original. 28 Figura 29. Imagen de la huella adelgazada. 29 Figura 30. Posibles casos de evaluación. 29 Figura 31. Huella con minucias. 30 Figura 32. Imagen para calcular distancia y ángulos. 30 ANEXO III Índice de tablas Tabla 1. Matriz generada por las distancias y los ángulos. 31 Tabla 2. Resultados de la primer etapa con un umbral de 15. 33 Tabla 3. Resultados de la segunda etapa con un umbral de 15. 33 Tabla 4. Resultados de ambas etapas con un umbral de 15. 33 Tabla 5. Resultados de ambas etapas con un umbral de 10. 34 Tabla 6. Resultados de ambas etapas con un umbral de 20. 34
Compartir