Download Referencias - SAPPI - Instituto Politécnico Nacional
Document related concepts
Transcript
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.