Download Diapositiva 1 - Universidad Politécnica de Aguascalientes

RECONOCIMIENTO DE HUELLAS USANDO
APRENDIZAJE POR CUANTIFICACIÓN
VECTORIAL
1Universidad
1Carlos
De Luna-Ortega, 2Miguel Mora-González & 3Julio Martínez.
Politécnica de Aguascalientes, 2Centro Universitario de los Lagos, Universidad de Guadalajara,
3Instituto
Tecnológico de Aguascalientes
MARCO TEÓRICO
INTRODUCCIÓN
Actualmente existen procesos de autenticación más automáticos tales como: la
identificación del personal, control de acceso, monitoreo de la asistencia
tiempo, y en general cualquier sistema de seguridad tratan de ofrecer
reconocimiento basado en características discriminantes que son inherentes a
toda persona . Es por ello que los sistemas biométricos han ofrecido una
solución natural y fiable en este ámbito [1,2]. En este contexto, se entiende
como un sistema biométrico, uno que mide una o más características
discriminantes que se pueden encontrar en diferentes partes del cuerpo
humano, por ejemplo, características de las huellas dactilares , geometría de la
mano , cara, iris, retina , el oído , el ADN o las características de
comportamiento, tales como voz, la firma de una persona, o de olores
corporales , entre otros.
El método de reconocimiento mediante huellas dactilares es el método más
utilizado[3] en comparación con otros algoritmos basados ​en geometría de la
mano, la firma, la voz, etc. , esto se debe a las huellas dactilares no cambian
durante la mayor parte de la vida de un individuo [2]; además , la
implementación de dispositivos para este fin son de bajo costo [3]. El estudio de
este tipo de sistemas ha sido constante durante más de 40 años ; sin embargo,
se piensa que muchas posibilidades de estos sistemas todavía no se han
explotado a fondo para su pleno potencial , dado que los algoritmos se pueden
hacer más operable y computacionalmente más ligero [4]. La literatura indica
que una de las maneras en que el reconocimiento de huellas digitales se lleva a
cabo es mediante el uso de minucias , el uso de correlaciones y el uso de
híbridos de ambas técnicas [5] .
El objetivo de esta investigación es exponer una nueva metodología para la
caracterización y verificación de huellas digitales para el reconocimiento de las
personas sobre la base de la detección del núcleo mediante la transformada de
Radón
La transformada de Radón se aplica en el reconocimiento de patrones y
procesamiento de imágenes digitales pueden ser considerados como la
imagen de proyección a través de un ángulo dado alrededor del eje x . El
modelo matemático de la transformada de Radón es:
Donde R , R y θ son el operador de radón , la función delta de Dirac , la
distancia desde el origen hasta la directriz y el ángulo de dirección de la línea
respectivamente.
Con gráficos suaves obtenido el radón transformar da el núcleo de la marca
en un mínimo local y máximo ejes globales X e Y , respectivamente El mínimo
local en la imagen de la parte inferior izquierda expuesta por el núcleo a lo
largo del eje x, mientras que el máximo general en el eje de la muestra de
núcleo.
METODOLOGÍA
En la Figura 1 se muestra la metodología a seguir para el reconocimiento de
huella digital con LVQ.
Figure 2 Aplicación de la Transformada de Radón
La red LVQ es una red de aprendizaje supervisado, realiza un tipo
estadístico de clasificación. Esta clasificación se basa en una comparación
entre el vector de entrada y un número de vectores propios representativos
llamados libro de códigos ( vectores que se obtienen a partir del proceso de
aprendizaje ) . Una red LVQ se compone de un tipo competitivo de la capa
oculta y una capa de salida de tipo lineal .
Figura 1. Metodología propuesta
RESULTADOS
Se utilizaron dos bases de datos en este experimento, el primero (BD1) se
obtuvo mediante la introducción de información de huellas dactilares de los
voluntarios en las instalaciones de Lagos (Universidad de Guadalajara)
utilizando una huella digital ®scanner Microsoft con un ordenador Sony Vaio
PCG-K35F, la obtención de imágenes de píxeles en 355X290 BMP. Esta base de
datos contiene 150 muestras distribuidas en 15 individuos, siempre se utilizó 10
muestras de cada uno de los mismos dedos.
La segunda base de datos (BD2) está incluido en el libro FVC2000[2], utiliza una
alta calidad con un sensor óptico área DF-90 tamaño 448X478 formato TIFF
pixel, que se compone de 800 huellas dactilares de los 10 dedos diferentes con
la huella digital definido núcleo, doble núcleo y sin núcleo. Los resultados
obtenidos de las pruebas del diseño experimental utilizando el algoritmo de
validación se muestran a continuación. En general, el algoritmo tiene una tasa de
94% de reconocimiento correcto en promedio para las pruebas con los dos
bases de datos descritas anteriormente
Tabla 1. Resultados por base de datos
Tabla 2. Matriz de confusión
CONCLUSIONES
Una nueva técnica de reconocimiento de huellas dactilares con el uso del centro de masa como la característica discriminante se muestra en este artículo. Esta técnica
reduce la complejidad computacional de las técnicas de caracterización anteriores. La técnica aquí descrita es bastante estable para las huellas dactilares cuyo núcleo
está bien definido o se encuentra cerca del centro geométrico de la imagen. El centro de masa es el parámetro más importante en el algoritmo propuesto, mediante la
comparación de la orientación y la detección precisa del núcleo, que es necesaria para un algoritmo óptimo de este propósito .
REFERENCIAS
[1] Jain, A. K., Ross, A. A. A., & Nandakumar, K.
(2011). Introduction to biometrics. Springer.
[2] Maio, D., & Jain, A. K. (2009). Handbook of fingerprint
recognition. Springer.
[3] Xu, H., Veldhuis, R. N., Kevenaar, T. A., &Akkermans, T. A.
(2009). A fast minutiae-based fingerprint recognition
system. Systems Journal, IEEE, 3(4), 418-427.
[4] Cappelli, R., Ferrara, M., & Maltoni, D. (2010). Minutia
cylinder-code: A new representation and matching technique
for fingerprint recognition. Pattern Analysis and Machine
Intelligence, IEEE Transactions on, 32(12), 2128-2141.
[5] Khalil, M. S., Muhammad, D., Khan, M. K., & Al-Nuzaili,
Q. (2009, December). Fingerprint verification using
fingerprint texture. In Signal Processing and Information
Technology (ISSPIT), 2009 IEEE International Symposium
on (pp. 591-594). IEEE.
[6] Galton F. (1892). Finger Prints, Macmillan.
[7] Zhang, D., Liu, F., Zhao, Q., Lu, G., &Luo, N. (2011).
Selecting a reference high resolution for fingerprint
recognition using minutiae and pores. Instrumentation and
Measurement, IEEE Transactions on, 60(3), 863-871.
[8] Ratha, N. K., Chen, S., & Jain, A. K. (1995). Adaptive flow
orientation-based feature extraction in fingerprint
images. Pattern Recognition, 28(11), 1657-1672.
[9] Chikkerur, S., Govindaraju, V., Pankanti, S., Bolle, R.,
&Ratha, N. (2005, January). Novel approaches for minutiae
verification in fingerprint images. In Application of Computer
Vision, 2005.WACV/MOTIONS'05 Volume 1.Seventh IEEE
Workshops on (Vol. 1, pp. 111-116). [10] Nandakumar, K., & Jain, A. K. (2004). Local
Correlationbased
Fingerprint Matching. In ICVGIP (pp. 503-508).
[11] Bazen, A. M., Verwaaijen, G. T., Gerez, S. H., Veelenturf, L.