Download Referencias - SAPPI - Instituto Politécnico Nacional

Titulo del Proyecto:
Elaboración de algoritmos para la detección de rápida de huellas dactilares falsificadas
Clave: 20110810
Tipo: Ciencia Básica
Director: Dr. Gabriel Sánchez Pérez
Resumen
En el trascurso de los años se han desarrollado diversas técnicas que facilitan el reconocimiento
de huellas dactilares, una de ellas es el escáner, el cual tiene la capacidad de reconocer las
huellas dactilares, pero existe un inconveniente ya que son vulnerables a ataques y pueden ser
engañados utilizando huellas falsas de diferentes materiales. Es por ello que se desarrollo un
método que ayuda a detectar la autenticidad de una huella viva a partir de sus características
particulares, y para ello se hace uso de la transformada de wavelet con el objetivo de suavizar la
señal obtenida del nivel de gris de la imagen, una vez suavizada esta señal, se sacan sus
características estadísticas tales como son la media y la desviación estándar. Estas
características son utilizadas para demostrar que las huellas de cadáver, las huellas falsas y las
huellas vivas son fáciles de separar. La captura se está llevando a cabo utilizando lectores
ópticos tales como: u.are.u4000b, m2sys y crossmatch.
Objetivo.
El principal objetivo de esta investigación es desarrollar un sistema autentificador que nos
permita confirmar la autenticidad u originalidad de las huellas dactilares, diferenciándola de las
huellas falsas o huellas de cadáver. El sistema propuesto emplea la transformada de wavelet en
su quinto nivel de descomposición para obtener la señal suavizada de las huellas dactilares para
obtener la media y la desviación estándar de cada una de las señales para obtener los puntos
característicos los cuales son clasificados utilizando tres diferentes tipos de clasificadores como
lo son red back propagation, gaussian mixture models (GMM) y support vector machines
(SVM) para obtener los porcentajes que se dieron en la fase de reconocimiento.
Introducción
A continuación se mostrarán los resultados obtenidos a lo largo de la investigación con los tres
diferentes sensores utilizados los cuales son: (Digital, M2sys, Crossmatch).
Las huellas que se utilizaron para esta investigación se clasifican dos grupos:
1. Huellas Autenticas.
2. Huellas Falsas (play-doh, mascarilla facial, látex líquido, Resistol, cadáver).
La adquisición de estas huellas se realiza con los tres diferentes sensores anteriormente
mencionados, dichas huellas son almacenadas en la base de datos realizada para esta
investigación la cual consta de 1200 huellas vivas y 6000 huellas falsas, las cuales son (play
doh, mascarilla facial, Resistol, látex liquido y cadáver), considerando las huellas de cadáver
como huellas falsas, con el objetivo de dividir las huellas en dos clases.
A cada una de las huellas adquiridas por estos sensores se les extraen las características del
nivel de gris, partiendo de esto se lleva a cabo el entrenamiento y reconocimiento de las huellas
dactilares con los tres siguientes clasificadores: red backpropagation, modelo de mezclas
gaussianas, maquinas de soporte vectorial, con el objetivo de determinar la autenticidad de las
huellas.
Resultados Finales
Red backpropagation
En 1986, Rumelhart, Hilton y Williams, basándose en los trabajos de otros investigadores
como Werbos y Parker formaron un método para que una red neuronal aprendiera la asociación
que existe entre los patrones de entrada de la misma y las clases correspondientes. Este método
está basado en la regla delta. El algoritmo de propagación hacia atrás o retropropagación, es una
de las reglas de aprendizaje que se pueden aplicar en modelo de redes con más de dos capas.
Sensor Digital U.are.U 400B.
Para esta tesis la red de retropropagación utilizada cuenta con las siguientes características:



Número de neuronas de entradas: 3
Número de neuronas ocultas: 2
Número de neuronas de salida: 2
El número de neuronas ocultas varían dependiendo de la complejidad de los datos que se desean
entrenar, esto se determina a manera de prueba y error.
El número total de las neuronas de entrada se encuentran distribuidas de la siguiente manera:
160 huellas por cada una de las 6 personas que se utilizaron para el entrenamiento.
El número de neuronas de salida son dos, donde una salida corresponde a las huellas autenticas
o vivas y la otra salida corresponde a las huellas no autenticas o falsas.
Una vez que se realizaron los entrenamientos de los patrones en la red se procedió a sacar el
porcentaje general de aprendiza de la red el cual fue de un 97.5%, lo cual nos indica que la red
no asocio correctamente 24 patrones de los 960. En la figura 5.1 se muestra una grafica de los
resultados obtenidos.
Porcentaje de
entrenamiento
2.50%
Aciertos
Error
97.50%
Figura 5.1. Porcentaje obtenido en el entrenamiento por la red backPropagation con
el sensor digital.
Una vez que los datos han sido entrenados se procede a realizar las pruebas tanto con las huellas
autenticas como con las que no lo son. La prueba consiste en introducir los datos de una huella
desconocida para la red, una vez que dichos datos se introducen como entrada serán
multiplicado por la matriz de pesos adquirida durante el entrenamiento de la red, dependiendo
de la salida que arroje la red se irá calculando el porcentaje de reconocimiento de la red.
Para el caso de la prueba realizada con las huellas autenticas el número de patrones utilizados es
de 200 muestras las cuales corresponden 20 muestras de cada una de las 10 personas a las que
se les realizo la prueba, el porcentaje de reconocimiento que se obtuvo fue del 95% lo cual nos
indica que aprendió 190 patrones de los 200.
En la figura 5.2 del inciso a se muestra los resultados obtenidos por la red back Propagation
para las huellas autenticas, con el sensor Digital U.are.U 400B utilizado en esta investigación.
Mientras que para la prueba realizada con huellas no autenticas el número de patrones utilizados
es de 1000 los cuales corresponden a 20 muestras de cada uno de los 5 materiales, de las 10
personas utilizadas para la prueba, el porcentaje de reconocimiento obtenido por la red de
retropropagación fue del 94 %, este porcentaje nos indica que la red backpropagation obtuvo
940 patrones de acierto de un total de 1000 patrones.
En la figura 5.2 inciso b se muestra los resultados adquiridos por la red back Propagation para
las huellas no autenticas, con el sensor Digital U.are.U 400B.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
95
5
Huellas no
Autenticas
100
90
80
70
60
50
40
30
20
10
0
94
6
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.2. a) Porcentaje del reconocimiento por la red back Propagation en huellas autenticas, b)
Porcentaje del reconocimiento de la red back Propagation en huellas no autenticas.
Como se pede ver en la figura 5.2 los resultados obtenidos por la red backpropagation son muy
similares tanto en las huellas autenticas como en las que no lo son, cabe mencionar que los
resultados obtenidos en el reconocimiento son buenos.
Sensor M2SYS.
La red de retropropagación que se utilizo para el entrenamiento de los patrones obtenidos por
medio del sensor m2sys cuenta con las siguientes características:



Número de neuronas de entradas: 3
Número de neuronas ocultas: 2
Número de neuronas de salida: 2
El número de neuronas ocultas varía dependiendo de las complejidad que presenten los datos a
entrenar, para el caso especifico de esta red se requirieron tres, si observamos se necesito una
capa mas a diferencia de la red utilizada por el sensor Digital UareU400B, esto se debe a la
complejidad de los datos. El número de neuronas de salida indicado para esta red es de dos,
donde la primera hace referencia al grupo de las huellas autenticas, mientras que la otra salida
nos indica el grupo de las huellas no autenticas.
El entrenamiento realizado obtuvo un porcentaje general del 99.27%, lo cual nos indica 953 de
un total de 960 patrones utilizados para llevar a cabo el entrenamiento de la red. En la figura 5.3
se muestra en una grafica los resultados obtenidos.
Porcentaje de
entrenamiento
0.73%
Aciertos
Error
99.27%
Figura 5.3. Porcentaje obtenido al entrenar la red backpropagation con el sensor M2sys.
Una vez que la red a sido entrenada se procede a realizar las preubas para determinar el
reconocimiento adquirido por la red de retropropagacion. Para llevar a cabo la prueba es
necesario introducir las caracteristicas de una huella que la red no conosca, para este caso el
archivo de prueba para las huellas autenticas cuenta con 200 huellas las cueles se distribuyen de
esta manera: 20 huellas por cada uno de los 10 personas. Los resultados adquieridos por la red
para la huellas autenticas fue del 97.5%, lo cual indica que la red aprendio 195 patrones de un
total de 200 patrones contenidos en el archivo.
En la figura 5.4 inciso a, se muestra una grafica de los resultados obtenidos. La prueba realizada
para las huellas no autenticas, se realizo con 1000 patrones desconocidos para la red de
retropropagacion con lo que se obtuvo un porcentaje general de 98%, por lo cual se obtuvo un
total de 980 patrones asociados correctamente de 1000 patrones. En la figura 5.4 inciso b, se
muestra una grafica con los resltados adquieridos.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
95
5
Huellas no
Autenticas
100
90
80
70
60
50
40
30
20
10
0
94
6
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.4. a) Porcentaje del reconocimiento por la red back Propagation en huellas autenticas, b)
Porcentaje del reconocimiento de la red back Propagation en huellas no autenticas.
Sensor Crossmatch.
La red backpropagation utilizada para el entrenamiento de las huellas adquiridas por medio del
sensor Crossmatch, cuenta con las siguientes características:



Número de neuronas de entradas: 3
Número de neuronas ocultas: 2
Número de neuronas de salida: 2
Las neuronas ocultas utilizadas para esta red es de 2 capas, la cual fue calculada a manera de
prueba y error, las neuronas de salida son dos, donde la primera indica la salida de las huellas
autenticas y la segunda de las huellas no autenticas.
El pocentaje obtenido durante el entrenamiento fue de 99.79 %, con lo cual se determino que la
red fue capas de asociar correctamente 958 patrones de los 960 a entrenar.
Porcentaje de
entrenamiento
0.21%
Aciertos
Error
99.79%
Figura 5.5. Porcentaje obtenido al entrenar la red backpropagation con el sensor Crossmatch.
Los patrones asociados correctamente como auténticos son de 195 patrones de los 200 patrones
existentes para la prueba lo cual equivale a 97.5%, como se puede ver los resultados obtenidos
por este sensor es igual al obtenido por el sensor M2sys, el porcentaje obtenido se muestra en la
figura 5.6 inciso a.
Las pruebas fueron realizadas con patrones no auténticos de los cuales la res asocio
correctamente 990 de los 1000 patrones a asociar, esto resultados son mostrados en la figura 5.6
inciso b.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
97.5
2.5
100
90
80
70
60
50
40
30
20
10
0
Huellas no
Autenticas
99
1
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.6. a) Porcentaje del reconocimiento por la red back Propagation en huellas autenticas, b)
Porcentaje del reconocimiento de la red back Propagation en huellas no autenticas.
Después de haber realizado el proceso de reconocimiento de las huellas autenticas y no
autenticas con los tres diferentes sensores utilizados en la investigación, se puede concluir
que el sensor que presento mejores resultados ante la red backpropagation fue el sensor
Crossmatch, esto se debe a que la calidad de la imagen presentada por este sensor es mejora la
capturada por los otros dos sensores, es por ello que los resultados son mejores a los obtenidos
por el sensor Digita U.are.U 400, mientras que el sensor M2sys presenta resultados muy
parecidos a los del Crossmatch.
Modelo de Mezclas Gaussianas
Los modelos de mezclas gaussianas pueden emplearse para representar funciones de densidad
de probabilidad complejas, a partir de la marginalización de distribución conjuntas entre
variables observadas y variables ocultas. El modelo de mezclas gaussianas se basa en el hecho
de que un número importante de distribución de probabilidad pueden ser aproximadas por
medio de una suma pesada de funciones gaussianas como se muestra en la figura 5.7.
Figura 5.7. Función de distribución de probabilidad, donde ‘---’ es la función gaussiana y ‘-’
es la función de distribución.
El objetivo de este clasificador es realizar un modelo por cada uno de los tipos de huellas que se
tienen en la base de datos capturados por medio de los 3 diferentes sensores utilizados.
Un Modelo de Mezclas Gausianas está compuesto, básicamente de una superposición de K
funciones de densidad de probabilidad (fdp) gaussianas, donde cada fdp esta ponderada por un
coeficiente de peso. Por cada clase se estiman los parámetros del Modelo de Mezclas
Gausianas, que incluye los coeficientes de ponderación, y las medias y matrices de covarianza
de cada fdp gaussiana.
Sensor Digital UareU400B.
Para generar los modelos de mezclas gaussianas es necesario contar con 120 muestras, para el
caso de las huellas autenticas, las cuales están divididas en 20 huellas por cada una de las 6
personas que se utilizan para generar el modelo. Mientras que para generar el modelo de las
huellas no autenticas se utilizan 120 muestras las cuales se distribuyes con sigue: 4 muestras de
cada uno de los 5 materiales utilizados por cada una de las 6 personas de las que se realizo el
modelo. Los modelos solo fueron generados con dos mezclas gaussianas.
Para el caso de la realización de las pruebas es necesario generar archivos los cuales contengan
patrones que en los modelos no se hayan entrenado, para el caso de las huellas autenticas se
cuenta con un archivo que contiene 200 patrones los cuales se distribuyen en 20 muestras por
cada una de las 10 personas a las que se les desea realizar el reconocimiento.
El porcentaje obtenido es del 95%, con lo cual se obtuvo 190 aciertos de 200 posibles, lo cual
nos indica que los patrones fueron bien agrupados en su gran mayoría. En la figura 5.8 del
inciso a se muestra el porcentaje de aciertos obtenidos en la etapa de reconocimiento por los
modelos de mezclas gaussianas.
Para el caso de las huellas no autenticas se conto con 1000 los cuales corresponden a 20
muestras de cada uno de los 5 materiales, de las 10 personas utilizadas para la prueba, el
porcentaje obtenido fue del 94.0%, por lo cual los modelos logran agrupar correctamente 940
patrones de los 1000 conformados por las huellas no autenticas. En la figura 5.8 del inciso b se
muestra el porcentaje de aciertos obtenidos en la etapa de reconocimiento por los modelos de
mezclas gaussianas.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
95
5
Huellas no
Autenticas
100
90
80
70
60
50
40
30
20
10
0
94
6
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.8. a) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas autenticas, b)
Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas no autenticas.
Los resultados obtenidos por los modelos de mezclas gaussianas no son muy altos debido a la
calidad que presentan las imágenes al ser capturadas por el sensor Digita U.are.U 400.
Sensor M2sys.
Los modelos generados para este sensor al igual que en los generados para el sensor Digital
UareU400, es de 120 patrones para cada uno de los modelos. Para el caso de los modelos
generados para las huellas autenticas la distribución de los 120 patrones es de 20 patrones por
cada una de las 6 personas por las que se conformo el modelo. Mientras que para la generación
del modelo de las huellas no autenticas las 120 muestras se encuentran conformadas por 4
muestras de los 5 materiales utilizados para la investigación, por cada una de las 6 personas, con
las que se genero el modelo de la misma.
Una vez que los modelos han sido generados se procede a realizar las pruebas necesarios para
determinar el porcentaje obtenido durante la etapa de reconocimiento de los modelos de mezclas
gaussianas. Para las pruebas realizadas con la huellas autenticas se consideran 200 patrones, los
cuales obtuvieron un porcentaje del 93.5%, con lo cual logro asociar correctamente 187
patrones de los 200 a reconocer. En la figura 5.9 inciso a, se muestran el porcentaje obtenido.
El porcentaje obtenido por las huellas no autenticas fue de 98.7%, con lo cual se logra asociar
correctamente 987 patrones de los 1000 patrones posible. En la figura 5.9 inciso b se muestran
los porcentajes obtenidos.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
93.5
6.5
100
90
80
70
60
50
40
30
20
10
0
Huellas no
Autenticas
98.7
1.3
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.9. a) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas autenticas, b)
Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas no autenticas.
Como se puede ver en la grafica los resultados obtenidos por las huellas autenticas para este
sensor es menor al obtenido en las huellas generadas por el sensor Digital UareU400, mientras
que las huellas no autenticas muestran un porcentaje mayor al obtenido en el sensor
anteriormente mencionado.
Sensor Crossmatch.
Para generar los modelos utilizados para este sensor fue necesario contar con los patrones para
hacerlo, los cuales contienen 120 muestras para cada uno de los tipos de huellas que se desean
agrupar, tales como las huellas autenticas como las no autenticas.
La distribución de las huellas autenticas es de 20 muestras por cada uno de los 10 personas,
mientras que para las huellas no autenticas fue necesario tomar 4 muestras de cada uno de los 5
materiales utilizados, por cada uno de las 10 personas que se tomaron muestras.
Tras haber realizado los modelos correspondientes a los dos grupos de huellas se procede a
realizar el reconocimiento de los modelos por las huellas que no son conocidas por los modelos,
con el objetivo de determinar que tan efectivo son los modelos para asociar patrones que no son
conocidos por ellos.
Para el caso de las huellas autenticas se genero un archivo que contiene 200 patrones, de los
cuales asocio correctamente el modelo 195 patrones de los 200 disponibles para la fase de
prueba. Lo cual nos indica que el porcentaje de reconocimiento es del 97.5%, en la figura 5.10
inciso a se muestran los resultados obtenidos.
En el caso de las huellas no autenticas logra asociar correctamente 988 patrones de los 1000
patrones. Con lo cual se obtiene el 98.8% de las huellas no autenticas, el porcentaje obtenido es
mostrado en la figura 5.10 inciso b.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
97.5
2.5
100
90
80
70
60
50
40
30
20
10
0
Huellas no
Autenticas
98.8
1.2
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.10. a) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas autenticas,
b) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas no autenticas.
El porcentaje obtenido por este sensor es mejor a los obtenidos por los otros dos diferentes
sensores utilizados para esta investigación.
Máquinas de Soporte Vectorial
La introducción de las maquinas de soporte vectorial (SVM) es uno de los desarrollos más
recientes y promisorios en el área de aprendizaje de máquina. La maquinas de soporte vectorial
originalmente fueron propuestas como un clasificador de dos clases: en donde a partir de n
puntos de entrenamiento etiquetados {𝑥𝑖 , 𝑦𝑖 }𝑛𝑖=1 ; 𝑦𝑖 𝜖{−1,1} se obtiene la SVM como el
hiperplano 𝑓(𝑥) = 𝑤 𝑡 𝑥 + 𝑤0 que maximiza el margen entre las clases 2⁄
, que se define,
∥ 𝑤 ∥2
por la distancia de los patrones de entrenamiento más cercanos (el cual es llamado vector de
soporte).
Sensor Digital U.are.U 400B.
Para este trabajo se utilizo la Maquina de Soporte Vectorial para llevar a cabo el entrenamiento
de las huellas dactilares, usando las características obtenidas de la media y la desviación
estándar, se realizo el entrenamiento de la máquina de soporte vectorial.
El número de patrones para el entrenamiento fue de 960 los cuales corresponden a las 160
huellas de cada uno de las 6 diferentes personas. El porcentaje obtenidos en el entrenamiento es
de 98.65%, por lo cual asocia correctamente 947 patrones de los 960 totales, este es mostrados
en la figura 5.11.
Porcentaje de
entrenamiento
1.35%
Aciertos
Error
98.65%
Figura 5.11. Porcentaje obtenido en el entrenamiento por las maquinas de soporte vectorial.
Para llevar a cabo el reconocimiento de los patrones se hizo obteniendo 200 patrones no
conocidos por la máquina de soporte vectorial, de los cuales la maquina logro asociar
correctamente 194 patrones de los 200 a relacionar, con lo cual se obtuvo un 97% de
reconocimiento. En la figura 5.12 inciso a se muestra el resultado. Mientras que para el caso de
las huellas no autenticas se cuenta con un archivo formado por 1000 patrones desconocidos para
la máquina de soporte vectorial.
Una vez que se realiza el proceso de reconocimiento se logra obtener un 96.2% de
reconocimiento, lo cual indica que solo logro asociar correctamente 962 patrones de los 100
posibles patrones. En la figura 5.12 inciso b se muestra gráficamente el porcentaje obtenido.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
97
3
Huellas no
Autenticas
100
90
80
70
60
50
40
30
20
10
0
96.2
3.8
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.12. a) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas autenticas,
b) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas no autenticas.
Sensor M2sys.
Para llevar a cabo el entrenamiento de la máquina de soporte vectorial para este sensor se utilizo
un archivo de entrenamiento con 960 patrones, los cuales se distribuyen en 160 patrones por
cada uno de las 6 personas utilizadas para el entrenamiento de la máquina, el porcentaje
obtenido durante esta etapa fue del 99.38%, con lo cual obtuvo aprender correctamente 954
patrones de 960 en total. En la figura 5.13 se muestra gráficamente los resultados obtenidos
durante el entrenamiento de la máquina de soporte vectorial.
Porcentaje de
entrenamiento
0.62%
Aciertos
Error
99.38%
Figura 5.13. Porcentaje obtenido en el entrenamiento por las maquinas de soporte vectorial.
Una vez que la maquina ha sido entrenado se procede a realizar las pruebas con las huellas
autenticas, la cual se hace con 200 patrones de los cuales la maquina logra asociar
correctamente 196 patrones, con lo cual se obtiene un 98.0% de reconocimiento.
En la figura 5.14 inciso a se muestra gráficamente el resultado obtenido durante la fase de
reconocimiento de las huellas autenticas.
Los patrones a reconocer se encuentran distribuidos en 20 muestras por cada uno de los 5
materiales utilizados para la investigación, por cada una de las 10 personas que se utilizaron
para la fase de prueba.
El reconocimiento obtenido por las huellas no autenticas fue del 99.5%, con lo cual logro
obtener 995 patrones de los 1000 posibles patrones a reconocer. En la figura 5.14 inciso b, se
muestran los resultados obtenidos por las huellas no autenticas.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
98
2
100
90
80
70
60
50
40
30
20
10
0
Huellas no
Autenticas
99.5
0.5
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.14. a) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas autenticas,
b) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas no autenticas.
Sensor Crossmatch.
El sensor Crossmatch, es uno de los que cuenta con una mayor calidad de los que se han
utilizado en la investigación, es por ello que los resultados que se obtienen son mejores que los
resultantes en los otros dos sensores, para el caso de la máquina de soporte vectorial se utilizo
un archivo de entrenamiento de 960 patrones los cuales se distribuyen en 160 patrones por cada
uno de las 6 personas que se utilizaron. En la etapa de entrenamiento la máquina de soporte
vectorial fue capaz de asociar correctamente 954 patrones de los 960 disponibles. El porcentaje
obtenido por la máquina de soporte vectorial es del 99.38%, esto se muestra gráficamente en la
figura 5.15.
Porcentaje de
entrenamiento
0.62%
Aciertos
Error
99.38%
Figura 5.15. Porcentaje obtenido en el entrenamiento por las maquinas de soporte vectorial.
Una vez que se ha entrenado la máquina de soporte vectorial se procede a realizar el
reconocimiento de las huellas autenticas, dicho archivo está conformado por 200 patrones de los
cuales la maquina logro asociar correctamente 193 patrones, con lo cual se logra el 96.5% de
reconocimiento. Dichos resultados son mostrados en la figura 5.16 inciso a. Mientras que para
la etapa de reconocimiento para las huellas no autenticas se obtiene un 99.30% de
reconocimiento, con lo que logra reconocer correctamente 993 de los 1000 a reconocer. En la
figura 5.16 inciso b se muestra gráficamente el porcentaje obtenido.
Huellas Autenticas
100
90
80
70
60
50
40
30
20
10
0
96.5
3.5
100
90
80
70
60
50
40
30
20
10
0
Huellas no
Autenticas
99.3
0.7
Aceptacion
Aceptacion
Falso rechazo
a)
Falso aceptacion
b)
Figura 5.16. a) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas autenticas,
b) Porcentaje del reconocimiento por el modelo de mezclas gaussianas en huellas no autenticas.
Referencias
[1]
D.Maltoni, D. Maio, A. Jain, and S. Prabhakar, Handbook of Fingerprint Recognition
Springer Verlag, Nu, USA,2003.
[2]
A. Jain, R. Bolle, S. Pankanti, Biometrics: Personal Identification in Networked
Society,
Springer,1999.
[3]
S. A. C. Schuckers, Spoofing and anti –spoofing Measures, Information Security
Technical
Report, Vol. 7, No. 4, pages 56 – 62, 2002.
[4]
T. Matsumoto, H. Matsumoto, K. Yamada, and S. Hoshino, Impact of artificial
‘gummy’ fingers of Fingerprint system, Proceedings of SPIE, vol. 4677, January, 2002.
[5]
H. Kang et. al., A Study on Performance Evaluation Of the Liveness Detection for
Various
Fingerprint Sensor Modules, Lecture notes, Volume 2774, pp 1245 – 1253, 2003.
[6]
Liveness Detection in Biometric Systems, International biometric group white paper,
disponible. http://www.ibgweb.com/reports/public/reports/liveness.html
[7]
M. Sandstrom, Liveness Detection in Fingerprint Recognition Systems, Master Thesis.
http://www.ep.liu.se/exjobb/isy/2004/3557/exjobb.pdf
[8]
Gualberto Aguilar, Gabriel Sánchez, Karina Toscano, Mariko Nakano, Héctor Pérez,
Automatic Fingerprint Recognition System Using Fast Fourier. Transform and Gabor
Filters.
[9]
Disponible en www.wikipedia.com, Septiembre 2008.
[10]
Aplicación del NFIS extracción de características de huellas dactilares, Gerardo E.
Cañedo Romero/Ma. de Guadalupe García Hernández/ Heriberto Gutiérrez Martín /Noé
Mosqueda Valadez, Acta Universitaria, Universidad de Guanajuato, México,
2005, http://redalyc.uaemex.mx/redalyc/pdf/416/41615104.pdf
[11]
Arangunde Jacobo, Toucedo José, Pérez Rubén, Fernández Álvaro;”Reconocimiento de
Personas”; visión artificial; 2006.
[12]
Anil k. Jain; “Biometric System Security”; Dept. of Computer Science and Engieering,
Michigan State University; disponible en http://biometrics.cse.msu.edu. Consultado en
noviembre de 2008.
[13]
Disponible en www.wikipedia.com, Octubre 2008.
[14]
Carlos
Mauricio
Galvis
Traslaviña;”Introducción
www.monografias.com; noviembre 2008.
[15]
Arangunde Jacobo, Toucedo José, Pérez Rubén, Fernández Álvaro;”Reconocimiento de
Personas”; visión artificial; 2006.
a
la
biometría”;
[16]
Pedro Cano, Eloi Batlle, Emilia Gómez, Leandro de C.T.Gomes, and Madeleine Bonne,
“Audio Fingerprinting: Concepts And Applications”, Julio 2008.
[17]
Moran L. Luis E.; “Sistema de Detección de Huella”; maestría en ciencias área
computación, universidad de colima; Coquimatlan, Colima, México; 11 de marzo de
2002.
[18]
Gualberto Aguilar, Gabriel Sánchez, Karina Toscano, Moisés Salinas, Mariko Nakano,
Héctor Pérez; “Localización de Minucias en Huellas Dactilares”; Instituto Politécnico
Nacional; Av. Santa Ana 1000, 04430, México D.F. México.
[19]
P. D. Lapsley, J. A. Less, D. F. Pare, Jr., N. Hoffman,“Anti-fraud biometric sensor that
accurately detects blood.
[20]
C.J.C. Burges, A Tutorial on Support Vector Machines for Pattern Recognition,
Microsoft Research, Data Meaning and Knowledge Discovery 2, pp. 121-167, 1998.
[21]
V.Vapnik. Statical Learning Theory. John Wiley & Sons. 1998.
[22]
G. Sánchez, R. Reyes, M. Nakano y H. Pérez, “Growing Cell Neuronal Network
Structure with Backpropagation Learning Algorithm”, The Journal of
Telecommunications and Radio Engineering, 2001.
[23]
Yves chauvin, “A backpropagation Algorithm with optimal use of hidden units”, in
Advances in Neural Information Processing (1), D. S. Toretzky, Ed., pp. 519 – 526.
[24]
Yves chauvin, “Generalization performance of overtrained backpropagation networks”,
in Neural Networks, Proc. EUROSIP Workshop L. B. Almeida, Ed., pp. 46-55, 1990.
[25]
Disponible en www.yahooespaña.com/respuestas septiembre 2008.
[26]
Disponible en www.wikipedia.com septiembre 2008.
[27]
Bozhao Tan and Stephanie Schuckers, “Detección de huellas dactilares vivas basada en
las estadísticas de señales de procesamiento de Wavelet”, 2006 Conference on
Computer Vision and Pattern Recognition Workshop (CVPRW’06) IEEE.
[28]
Changlong Jin, Hakil Kim, and Stephen Elliott, “Detección de huellas dactilares vivas
basada en una banda selectiva del espectro de fourier”, ICISC 2007, LNCS 4817, pp.
168–179, 2007.
[29]
Wei-Yun Yau, Hoang-Thanh Tran, Eam-Khwang Teoh, and Jian-Gang Wang,
“Detección de huellas dactilares falsas mediante el análisis de de cambio de color de las
huellas”, ICB 2007, LNCS 4642, pp. 888–896, 2007.
[30]
Jia Jia, Lianhong Cai, Kaifu Zhang, and Dawei Chen, “”, ICB 2007, LNCS 4642, pp.
309–318, 2007.
[31]
Aditya Abhyankar, Stephanie Schuckers, “Descompocisión de huellas dactilares vivas
utilizando la transpiracion”, Proceedings of the 2006 Conference on Computer Vision
and Pattern Recognition Workshop (CVPRW’06).
[32]
Sujan T. V. Parthasaradhi, Reza Derakhshani, Lawrence A. Hornak, Member, IEEE,
“Series de tie Aditya Abhyankar1 and Stephanie Schuckers1,2 mpo para la detección de
transpiración de huellas dactilares vivas”, Vol. 35, No. 3, August 2005.
[33]
Almudena Lindoso, Luis Entrena, and Judith Liu-Jimenez, “Wavelet basado en la
región de selección de la huella dactilar”, CAIP 2007, LNCS 4673, pp. 391–398, 2007.
[34]
Aditya Abhyankar and Stephanie Schuckers, “Caracterización y similitud asociada son
patrones de sudor”, AVBPA 2005, LNCS 3546, pp. 301–309, 2005.
[35]
Hao Guo; “A Hidden Markov Model Fingerprint Matching Approach”;Remote Sensing
Technology Laboratory, School of Computer Science and Technology, Dalian Martine
University, Dalian 116026, China; Proceedings of the Fourth International Conference
on Matching Learning and Cybernetics, Guangzhou, 16-21 August 2005.
[36]
Wang Yuan (1), Yao Lixiu (1), Zhou Fuqiang (2); “A Real Time Fingerprint
Recognition System Based On Novel Fingerprint Matching Strategy”; (1) Shanghai Jiao
Tong University, (2) Behiang University, China; The Eighth International Conference
on Electronic Measurement and Instruments, ICEMI’2007.
[37]
Maya V. Karki, Dr. S. Sethu Selvi (1), M. S. Ramaiah(2); “A Novel Fingerprint
Recognition System with Direction Angles Difference”; (1) Department of Electronics
and Communications, (2) Institute of Technology, Bangalore - 560 054; International
Conference on Computation Intelligence and Multimedia applications 2007.
[38]
Lei Huang, Genxun Wan, Changping Liu; “An Improved Parrallel Thinning
Algorithm”; Institute of Automation, Chinese Academy of Sciences, P.R. Chin;
Proceedings of the Seventh International Conference on Document Analysis and
Recognition (ICDAR 2003).
[39]
Sharat Chikkerur, Alexander N. Cartwright, Venu Govindaraju; ”Fingerprint
Enhancement Using STFT Analysis”; Center for Unified Biometrics and sensors,
University at Buffalo, NY, USA; International Workshop on Pattern Recognition for
Crime Prevention, Security and Surveillance (ICAPR 05), 2005, pp. 20–29.
[40]
Rabiner, Schafer; “Digital Processing of Speech Signals”; Prentice Hall International;
1978.
[41]
Sonka, Hlavac, Boyle, “Image Processing, Analysis and Machine Vision”; second
Edition; Thomson Asia, 2004.
[42]
Lin Hong, Student member, IEEE, Yifei Wan, Anil Jain, Fellow, IEEE; “Fingerprint
image Enhancement: Algorithm and Performance Evaluation”; Pattern Recognition and
Image Processing Laboratory, Department of Computer Science, Michigan State
University, East; Lansing, MI 48824; IEEE TRANSACTIONS ON PATTERN
ANALYSIS AND MACHINE INTELLIGENCE, VOL. 20, NO. 8, AUGUST 1998.