Data - nissanchair.com · DADES DEL PROJECTE Títol del Projecte: “Sistema de reconeixement de...

Sistema de reconeixement de persones basat en la

visió per computador

Alberto Cano Pérez

SW-05/2010

(CN 2010-C)

Publica: Universitat Politècnica de Catalunya www.upc.edu

Edita:

Cátedra Nissan www.nissanchair.com

[email protected]

Departamento de Organización de Empresas

Universidad Politécnica de Cataluña

Cátedra Nissan -PROTHIUS-

Data: 31/1/2007

Departament: ESAII

Director/Ponent: Pere Marés Martí

Alumne: Alberto Cano Pérez

Títol: “Sistema de reconeixement de persones basat en la visió per computador” Volum: 1/1

DADES DEL PROJECTE

Títol del Projecte: “Sistema de reconeixement de persones basat en la visió per

computador”

Nom de l’estudiant: Alberto Cano Pérez

Titulació: Enginyeria Tècnica en Informàtica de Sistemes

Crèdits: 22,5

Director/Ponent: Pere Marés Martí

Departament: ESAII

MEMBRES DEL TRIBUNAL (nom i signatura)

President: JUAN ARANDA LÓPEZ

Vocal: RAFAEL FARRÉ CIRERA

Secretari: PERE MARÉS MARTÍ

QUALIFICACIÓ

Qualificació numèrica:

Qualificació descriptiva:

Data:

iii

Índex: 1.- Introducció: ........................................................................................................................... 1

1.1.- La biometria: .................................................................................................................. 1 1.2.- Breu història de la biometria:......................................................................................... 2 1.3.- Funcionament i rendiment: ............................................................................................ 2

2.- Els diferents sistemes biomètrics: ......................................................................................... 4

2.1.- L’empremta dactilar:...................................................................................................... 4 2.2.- La forma de la mà: ......................................................................................................... 5 2.3.- Reconeixement del iris:.................................................................................................. 7 2.4.- Patrons de venes de la retina:......................................................................................... 8 2.5.- Reconeixement de veu: .................................................................................................. 9 2.6.- Reconeixement facial:.................................................................................................. 10 2.7.- Identificació per mitjà de la signatura:......................................................................... 12 2.8.- Comparació dels sistemes biomètrics: ......................................................................... 12

3.- Empremtes dactilars com patró biomètric: ......................................................................... 15

3.1.- Per què les empremtes dactilars com a mitjà d’identificació:...................................... 15 3.2.- Historia:........................................................................................................................ 15 3.3.- Identificació biomètrica amb empremtes dactilars: ..................................................... 16

3.3.1.- Classificació:......................................................................................................... 16 3.3.2.- Us de les empremtes dactilars:.............................................................................. 19

4.- El nostre Sistema: ............................................................................................................... 20

4.1.- Objectiu del Sistema: ................................................................................................... 20 4.2.- Requeriments del Sistema:........................................................................................... 21 4.3.- Fases del sistema:......................................................................................................... 21 4.4.- Avaluació de la Fiabilitat: ............................................................................................ 21 4.5.- Mesures del rendiment:................................................................................................ 22

5.- Funcionament del Sistema: ................................................................................................. 25

5.1.- Consideracions prèvies sobre la BBDD:...................................................................... 25 5.2.- El procés de l’algoritme: .............................................................................................. 27 5.3.- Transformada de Fourier: ............................................................................................ 30 5.4.- Equalització de l’histograma: ...................................................................................... 33 5.5.- Binarització: ................................................................................................................. 34 5.6.- Aprimament (Thinning):.............................................................................................. 35 5.7.- Extracció de minúcies: ................................................................................................. 37 5.8.- Eliminació de falses minúcies:..................................................................................... 39 5.9.- Comparació: ................................................................................................................. 41

5.9.1.- Etapa d’alineació:.................................................................................................. 41 5.9.2.- Etapa de comparació: ............................................................................................ 43

6.- Eficiència del sistema: ........................................................................................................ 44

iv

7.- Conclusions i Resultats: ...................................................................................................... 46 7.1.- Cost d’implementació: ................................................................................................. 46 7.2.- Resultats:...................................................................................................................... 46

Annex A: Manual del Programa............................................................................................... 47

1.- Contingut del CD: ........................................................................................................... 47 2.- Instal·lació:...................................................................................................................... 47 3.- Interfície gràfica:............................................................................................................. 47

Annex B: Alternatives en el procés de l’algorisme.................................................................. 54

Extracció del Finger Code:................................................................................................... 54 Comparació de minúcies a través de les coordenades polars:.............................................. 55 Comparació de minúcies basada en els triangles de Delaunay: ........................................... 55 Extracció dels punts característics mitjançant filtres de Gabor: .......................................... 56 Comparació d’empremtes a través de xarxes neuronals: ..................................................... 57

Bibliografia: ............................................................................................................................. 58

v

1.- Introducció: Per entendre aquest projecte és fonamental tenir en compte un concepte: la biometria. A continuació s’exposa una introducció a aquest concepte que cada vegada esta molt més de moda en la nostre societat, degut a la necessitat que ens sorgeix cada vegada més d’identificar-nos a la nostra vida quotidiana (entrada a edificis, compres en Internet,...). La biometria ens permet això i molt més.

1.1.- La biometria:

La biometria és l’estudi de mètodes automàtics per al reconeixement únic d’humans basats en un o més trets de conducta o físics intrínsecs. El terme es deriva de les paraules gregues "bios" de vida i "metron" de mesura.

La "Biometria Informàtica" és l’aplicació de tècniques matemàtiques i estadístiques

sobre els trets físics o de conducta d’un individu, per a “verificar” identitats o per a “identificar” individus.

En les tecnologies de la informació, l’autenticació biomètrica es refereix a les

tecnologies per mesurar i analitzar les característiques físiques i del comportament humanes amb propòsit d’autenticació.

Les empremtes dactilars, les retines, l’iris, els patrons facials, de venes de la mà o la

geometria de la palma de la mà, representen exemples de característiques físiques (estàtiques), mentre que entre els exemple de característiques del comportament s’inclou la firma, el pas i el tecleig (dinàmiques). La veu es considera una barreja de característiques físiques i del comportament, però tots els trets biomètrics comparteixen aspectes físics i del comportament.

L’ús de la Biometria presenta nombrosos avantatges sobre els sistemes de verificació

més “tradicionals” basats en contrasenyes o en targetes intel·ligents. En primer lloc, atès que la pròpia persona és la portadora de la característica biomètrica, no cal memoritzar cap contrasenya que es pugui oblidar, ni portar cap targeta que es pugui perdre o robar.

Les característiques biomètriques no es poden perdre, i són difícils de robar, encara

que es podrien falsificar. Perquè una característica biomètrica resulti d’utilitat ha de complir algunes propietats

essencials:

• Ha de romandre constant en el temps per a un mateix individu. • Ha de ser diferent per a individus diferents. • Ha de ser accessible i senzilla d’obtenir, i la verificació ha de realitzar-se amb

rapidesa. Per exemple, una mostra d'ADN és perfectament característica dels individus, i

compleix les dues condicions anteriors, però evidentment l’extracció de mostres d'ADN i la seva posterior anàlisi no compleixen aquesta tercera condició.

1

1.2.- Breu història de la biometria:

La biometria no es va posar en pràctica en les cultures occidentals fins a finals del segle XIX, però era utilitzada a la Xina des d’almenys el segle XIV. Un explorador i escriptor que responia al nom de Joao de Fangs va escriure que els comerciants xinesos estampaven les impressions i les empremtes de la palma de les mans dels nens en paper amb tinta. Els comerciants feien això com a mètode per distingir entre els nens joves.

En Occident, la identificació confiava simplement en la "memòria fotogràfica" fins

que Alphonse Bertillon, cap del departament fotogràfic de la Policia de París, va desenvolupar el sistema antropomètric (també conegut més tard com Bertillonage) en 1883. Aquest era el primer sistema precís, àmpliament utilitzat científicament per identificar a criminals i va convertir a la biometria en un camp d’estudi. Funcionava mesurant de manera precisa certes longituds i amplades del cap i del cos, així com registrant marques individuals com tatuatges i cicatrius. El sistema de Bertillon va ser adoptat extensament en occident fins que van aparèixer defectes en el sistema (principalment problemes amb mètodes diferents de mesures i canvis de mesura). Després d’això, les forces policials occidentals van començar a usar l’empremta dactilar - essencialment el mateix sistema vist a la Xina centenars d’anys abans.

En aquests últims anys la biometria ha crescut des d’usar simplement l’empremta

dactilar a utilitzar molts mètodes diferents tenint en compte diverses mesures físiques i de comportament. Les aplicacions de la biometria també han augmentat, des de només identificació fins a sistemes de seguretat i més.

1.3.- Funcionament i rendiment:

En un sistema biomètric típic, la persona es registra amb el sistema quan una o més de les seves característiques físiques i de conducta és obtinguda, processada per un algoritme numèric, i introduïda en una base de dades. Idealment, quan entra, gairebé totes les seves característiques concorden; llavors quan alguna una altra persona intenta identificar-se, no coincideix completament, per la qual cosa el sistema no li permet l’accés. Les tecnologies actuals tenen taxes d’error que varien àmpliament (des de valors baixos com el 60%, fins a alts com el 99,9%). El rendiment d’una mesura biomètrica es defineix generalment en termes de taxa de fals positiu (False Acceptance Rate o FAR), la taxa de fals negatiu (False NonMatch Rate o FNMR), i la decisió de taxa d’allistament (Failure-to-enroll Rate, FTR o FER).

2

http://es.wikipedia.org/wiki/Alphonse_Bertillon

En els sistemes biomètrics reals, el FAR i el FER poden transformar-se en els altres canviant cert paràmetre. Una de les mesures més comuns dels sistemes biomètrics reals és la taxa en la qual l’ajust en el qual accepta i rebutja els errors és igual: la taxa d’error igual (Equal Error Rate o EER), també coneguda com la taxa d’error d’encreuament (Cross-over Error Rate o CER). Quant més baix és el EER o el CER, es considera que el sistema és més exacte. Les taxes d’error anunciades impliquen de vegades elements subjectius. Per exemple, un fabricant de sistemes biomètrics va fixar el llindar d’acceptació alt, per reduir al mínim les falses acceptacions; en la pràctica, es permetien tres intents, per la qual cosa un fals rebuig es comptava només si els tres intents resultaven fallits (per exemple escriptura, parla, etc.). Les opinions poden variar sobre què constitueix un fals rebuig. Si entrenem a un sistema de verificació de firmes usant la inicial i cognom, es pot dir legítimament que es tracta d’un fals rebuig quan rebutgi el nom i cognom?

A pesar d’aquests dubtes, els sistemes biomètrics tenen un potencial per a identificar a

individus amb un grau de certesa molt alt. La prova forense del ADN gaudeix d’un grau particularment alt de confiança pública actualment i la tecnologia està orientant-se al reconeixement del iris, que té la capacitat de diferenciar entre dos individus amb un ADN idèntic.

3

2.- Els diferents sistemes biomètrics:

2.1.- L’empremta dactilar:

És una de les tecnologies més assequibles, i si a això afegim que la probabilitat d’igualtat de dues empremtes dactilars de persones distintes és extremadament baixa, s’entén que sigui una de les més emprades. De fet, la probabilitat que dues persones tinguin la mateixa empremta dactilar és inferior a un entre mil milions.

Es tracta d’un dels procediments més antics que existeixen, i ja era emprat pels xinesos en el segle II a. de C. per a identificar l’autenticitat dels remitents d’un document mitjançant la seva empremta dactilar impresa sobre cera. Actualment, constitueix un dels procediments d’identificació policial més populars. El sistema de classificació de empremtes que s’utilitza actualment es basa en els treballs de Sir Edward Henry, i el seu llibre “Classification and Use of Fingerprints”, que data de l’any 1900.

El funcionament bàsic d’un sistema d’identificació d’empremtes dactilars és el següent: l’usuari posa el seu dit sobre un sensor, que captura una imatge de l’empremta. D’aquesta imatge es busquen i extreuen les característiques que són de dos tipus: patrons i minúcies.

Els patrons fan referència a la posició de les línies i valls, i poden ser percebuts a

primera vista per l’ull humà, mentre que les minúcies es refereixen a l’aparició de singularitats en les línies, com punts de bifurcació, finalització, unió, terminació, etc., i són més difícils de veure i de localitzar. Dos dits diferents mai poden posseir més de vuit minúcies iguals, i cadascun té més de 30 o 40 minúcies.

Les minúcies, com hem comentat, no s’aprecien a primera vista, però poden ser capturades pels moderns escàners d’empremtes.

Els detalls relatius a les línies (curvatura, separació, etc.), així com la posició absoluta

i relativa de les minúcies extretes, són processats mitjançant algorismes que permeten compondre un índex numèric corresponent a cada empremta. Aquest índex numèric de l’empremta es guarda en la base de dades del programa, en una targeta o en altre tipus de suport. És impossible reconstruir l’empremta a partir de l’índex registrat en el fitxer, ja que no es guarda la pròpia imatge de l’empremta, sinó que la informació guardada és informació numèrica (els patrons extrets).

Quan l’usuari sol·licita accés al sistema, posa el seu dit sobre el lector, i la seva

empremta dactilar és digitalitzada i analitzada a fi d’extreure els elements característics i, després de l’anàlisi de les línies i les minúcies, es compara el nou índex obtingut amb l'anteriorment emmagatzemat.

Es tracta d’un tipus de sistema molt fiable. Les taxes de fals rebuig se situen per sota

del 1%, i les de falsa acceptació estan al voltant del 0.0001%. Les velocitats de procés i identificació estan per sota del segon en els sistemes actuals.

4

No obstant això, com tot sistema d’identificació, està sotmès a la possibilitat de falsificació. Els tipus de falsificació en aquest tipus de sistema d’anàlisi biomètrica es poden classificar en:

• Falsificació de dit. Valgui com exemple aquesta notícia, amb data 23-06-2002,

extreta de la web www.delitosinformaticos.com: “Un matemàtic japonès (no un enginyer, un programador o un expert en falsificacions, sinó un matemàtic) ha aconseguit enganyar onze lectors d’empremtes dactilars invertint menys de deu dòlars en material de fàcil obtenció. Tsutomu Matsumoto va duplicar una empremta dactilar ressaltant la seva impressió sobre cristall (per exemple, un got o una finestra) mitjançant adhesiu de cianocrilat (comercialment distribuït amb marques tan conegudes com “Super Glue”) i fotografiant el resultat mitjançant una càmera digital. La imatge resultant es va millorar mitjançant PhotoShop i es va imprimir en una fulla de paper transparent. Matsumoto va utilitzar aquest paper com màscara per a generar un circuit imprès amb la imatge de l’empremta dactilar (per a proporcionar “relleu”). Aquest circuit imprès, el material per al fixat i revelat i les instruccions detallades del procés, es poden aconseguir en qualsevol botiga d’electrònica per menys de 3 euros. Seguidament es va obtenir un dit de “gelatina” emprant el circuit imprès per a proporcionar-li el relleu que emula l’empremta dactilar original. En total, menys de 10 dòlars en despeses i una hora de treball. El resultat: un “dit” que passa la prova d’un escàner digital amb una efectivitat del 80%.”

• Atac al canal de comunicacions. Si el sistema d’anàlisi d’empremtes necessita

comunicar-se via xarxa amb una base de dades remota, aquesta comunicació pot ser interceptada i alterada.

• Alteració de la base de dades. Si la base de dades amb les empremtes dactilars

resulta compromesa, poden substituir-se els patrons veritables per patrons falsos, corresponents a persones no autoritzades que serien reconegudes positivament.

La identificació d’empremtes dactilars és una tecnologia molt fiable, robusta i amb un

alt grau de maduresa. Dóna lloc a un ampli conjunt de sistemes comercials molt estesos i assequibles.

2.2.- La forma de la mà:

Aquests sistemes obtenen una imatge del perfil de la mà completa, de dos dits o d’un sol dit, bé amb una càmera convencional o amb una càmera infraroja. En un sistema típic, l’usuari col·loca la mà sobre un lector en el qual hi ha unes guies o topalls per a facilitar el posicionament correcte. Una càmera pren una imatge frontal, i altra captura una imatge lateral. Una vegada preses les imatges, s’extreuen una sèrie de característiques de la mà i els dits, com poden ser longituds, amplàries, altures, posicions relatives de dits, articulacions, disposició de venes, etc. Els sistemes emprats avui dia prenen unes 90 mesures. Aquestes característiques es transformen en una sèrie de patrons numèrics, que després es comparen amb els patrons prèviament emmagatzemats.

5

Diverses formes de mans.

Geometria de la mà i alguns punts característics.

Degut al fet que la forma de la mà es pot anar alterant amb el pas del temps, amb l’augment o la disminució de pes o amb la presència de ferides, cicatrius, etc., una característica important que han de posseir aquests sistemes és la capacitat d’aprenentatge. És necessari que els patrons es vagin actualitzant, considerant els petits canvis que es poden produir en la forma de la mà en intervals de temps curts. Mentres l’usuari hagi anat accedint al sistema de forma regular i actualitzant acumulativament els seus patrons, no s’ha de denegar el pas a un usuari, encara que en un període de temps llarg la forma de la seva mà s’hagi alterat de forma més notable. Els sistemes comercials presenten taxes típiques de fals rebuig entorn del 0.1% i de falsa acceptació entorn del 1%.

Un dels primers usos d’aquest sistema va anar en els jocs olímpics de 1996. També

s’està començant a utilitzar com alternativa al nombre d’identificació personal (DNI) en operacions amb targetes de crèdit.

Una variant d’aquesta tecnologia pren una imatge de la palma de la mà, i les seves

línies i detalls s’analitzen amb procediments semblants als sistemes d’identificació d’empremtes dactilars.

6

2.3.- Reconeixement del iris:

El iris és la franja de teixit acolorit que envolta la nostra pupil·la. Es troba situat entre la còrnia i l'humor aquós. Encara que el que més ressalta és el seu color, un estudi proper del mateix mostra un conjunt de trets característics, com estries, anells, valls, teixidures, etc. En el iris hi ha més de 400 característiques distintives, o graus de llibertat, que poden ser quantificades i usades per a identificar a un individu. En la pràctica, s’usen aproximadament 260 d’aquestes característiques. Aquest patró es forma durant el desenvolupament fetal, es completa als vuit mesos i és diferent d’un individu a un altre, però en un mateix individu no canvia amb el temps. És a dir, és una característica tan distintiva de les persones com ho pot ser l’empremta dactilar, ja que els trets del iris són diferents fins i tot en bessons univitel·lins.

La tecnologia de reconeixement del iris data de 1994, i procedeix dels treballs inicials

de Daughman, i els de Wildes. Inicialment, una càmera de reconeixement de iris pren una fotografia del mateix. El

sistema adquireix una imatge del iris i transforma les característiques anteriorment esmentades en patrons numèrics, denominats iriscodes, que es contrasten amb els prèviament emmagatzemats. Les càmeres compleixen els estàndards internacionals d’il·luminació segura, i utilitzen un mètode d’il·luminació de longitud d’ona propera a l'infraroig que és escassament visible i molt segur. La imatge de l’ull és en primer lloc processada per un programa que localitza el iris. Posteriorment, un altre programa codifica els patrons de l’ull, creant un codi per a la seqüència de teixidures i trets característics del iris, que és el qual es compara amb els patrons emmagatzemats. Un iriscode de referència ocupa al voltant de 256 a 512 bytes.

Diversos iris.

Iris amb una mostra del patró (iriscode) extret.

7

Es tracta d’un sistema molt fiable. Presenta una taxa de fals rebuig del 0.00066%, i una taxa de falsa acceptació de 0.00078%, amb un temps de verificació d’uns 2 segons. Els atacs a aquesta tecnologia poden ser els següents:

• Suplantació del iris. En algun cas s’ha aconseguit enganyar al sistema d’identificació

imprimint una imatge digital d’alta resolució del iris. Aquesta imatge es col·loca davant del veritable iris. En tot cas, els sistemes actuals realitzen una comprovació d’infraroigs, amb el que el iris que se’ls presenta ha de ser d’una persona real, el que dificulta considerablement aquest tipus d’atac.

• Atac a les comunicacions. Si el sistema d’anàlisi d’iris necessita comunicar-se via

xarxa amb una base de dades remota, aquesta comunicació pot ser interceptada i alterada.

• Atac a la base de dades de patrons. Si la base de dades amb les dades del iris resulta

compromesa, poden substituir-se els patrons veritables per patrons falsos, corresponents a persones no autoritzades que serien reconegudes positivament.

2.4.- Patrons de venes de la retina:

En aquesta tècnica s’examina el fons de l’ull i es detecten els patrons de venes que s’estenen per la retina. Són també característics i estables en cada individu, i permeten diferenciar uns individus d’uns altres.

En els sistemes biomètrics basats en patrons de venes de la retina, l’usuari mira a

través d’uns binoculars, realitza alguns ajustaments, mira a un punt determinat i finalment prem un botó. El sistema pren una imatge de la retina, detectant l’estructura de vasos sanguinis de la retina i transformant-la en una sèrie de característiques numèriques per a comparar-les amb les emmagatzemades.

L’escombrat de la retina es realitza mitjançant un feix infraroig de baixa intensitat que

es projecta a través de la part de darrere de l’ull en la retina. Les artèries i venes de la retina absorbeixen la llum infraroja més ràpid que el teixit que les envolta. Aquesta llum és reflectida per la retina de tornada en la càmera. Es captura aquest patró retinal i es transforma en un codi d’unes desenes de bytes de longitud.

Patró de venes de la retina.

8

Un dels inconvenients d’aquesta tècnica és que per l’individua és la més invasiva (ha d’il·luminar-se amb llum el fons de l’ull), la qual cosa pot accentuar el rebuig per part dels usuaris.

Es tracta d’un sistema bastant fiable. La probabilitat de fals rebuig està entorn del 1%,

i la de falsa acceptació per sota del 0,001%.

2.5.- Reconeixement de veu:

En aquesta tecnologia s’adquireix la veu de l’usuari utilitzant un micròfon, i seguidament s’analitza mitjançant un ordinador. Es busquen principalment patrons d’intensitat i freqüència. Existeixen diversos tipus:

• De text fix, en els quals l’entrenament i el reconeixement es basen en una sola paraula o frase. Els algorismes en aquest cas són més senzills, i poden basar-se únicament en la comparació de formes d’ona.

• De vocabulari fix. En aquest cas l’entrenament i el reconeixement es basen en un

conjunt limitat de paraules o frases. En la fase d’entrenament, l’usuari repeteix al sistema totes les paraules del conjunt, i el sistema extreu els paràmetres característics de les paraules o frases corresponents a aquest usuari. En la fase de reconeixement, el sistema proposa a l’usuari un subconjunt aleatori de les paraules o frases perquè les repeteixi, i el sistema les compara amb els seus patrons emmagatzemats.

• De vocabulari flexible. En aquest tipus de sistemes l’usuari pot utilitzar per al seu

reconeixement un conjunt de paraules triades per ell, pertanyents a un vocabulari preestablert. En la fase d’entrenament, l’usuari ha d’utilitzar una sèrie de paraules d’aquest vocabulari que cobreixin totes les alternatives possibles de fonemes i de relacions entre fonemes.

• De text independent. Els sistemes no estan lligats a vocabularis fixos, ni a entrenament

amb paraules fixes. Aquest tipus de sistemes ofereix una taxa d’errors major, sent més recomanables per a objectius de seguretat els tres anteriors.

Es tracta d’un sistema poc costós d’implementar, pel que es troba molt estès. No

obstant això, un dels problemes que frenen la seva difusió és que es tracta d’una tecnologia encara propensa a errors. La probabilitat de fals rebuig està entorn del 3%, i la de falsa acceptació en valors una mica superiors al 1%.

Els atacs a aquesta tecnologia poden ser els següents:

• Substitució de la veu. Es tracta d’utilitzar la veu gravada d’un usuari autoritzat per a enganyar al sistema. Lògicament, aquest tipus d’atac és més senzill de realitzar en els sistemes de text fix, ja que al ser el text limitat, es fa més susceptible a la falsificació. En els altres sistemes, al disposar d’un vocabulari mes ampli o on el sistema pot triar per a sol·licitar a l’usuari. L’èxit d’aquest tipus d’atacs és més difícil.

9

• Atac a les comunicacions. Si el sistema d’anàlisi de veu necessita comunicar-se via xarxa amb una base de dades remota, aquesta comunicació pot ser interceptada i alterada.

• Atac a la base de dades de patrons. Si la base de dades amb les veus resulta


2.6.- Reconeixement facial:

Es tracta d’un sistema de desenvolupament relativament recent. Es pren una imatge de la cara d’una persona (de vegades es poden prendre vàries, de front i de perfil), i s’analitzen les imatges per a extreure determinats paràmetres, com la forma general de la cara, curvatures, situació absoluta i relativa d’ulls, nas i boca, marques notables, etc. Aquests paràmetres es comparen amb els emmagatzemats en una base de fotografies o imatges d’usuaris autoritzats.

Les característiques o elements a detectar en la cara es divideixen en macroelements i

microelements. Els macroelements són els ulls, la boca, el nas, els pòmuls, etc. Els microelements són distàncies entre els macroelements, amidades dels mateixos, etc.

Existeix una variant d’aquest sistema, coneguda com termografia facial, que adquireix

una imatge tèrmica de la cara de la persona mitjançant una càmera d’infraroig, extraient característiques biomètriques d’aquesta imatge.

Termografia facial.

Una vegada que la imatge de la cara ha estat digitalitzada, existeixen diversos tipus

d’algorismes que es poden emprar per a la identificació. Alguns d’ells són:

• Eigenfaces. És un algorisme patentat pel MIT (Massachussets Institute of Technology). S’extreu la eigenface a partir d’una imatge de la cara en nivells de gris, que es transforma en una sèrie de autovectors que conserven la informació de les característiques geomètriques de la cara.

10

Eigenfaces estàndard.

• Anàlisi de característiques locals. Aquest mètode utilitza els macroelements de la cara i localitza punts singulars en dites macroelements. Aquests punts singulars s’uneixen formant triangles, en els quals es mideixen les seves característiques angulars. Aquestes característiques formen un vector numèric que és el qual es compara amb el patró per al reconeixement. Un inconvenient d’aquest algorisme és la seva sensibilitat a les variacions d’il·luminació en la presa de dades de la cara, que poden causar diferències importants en l’extracció dels punts singulars.

Anàlisis de característiques locals.

• Xarxes neuronals. Les xarxes neuronals són estructures computacionals amb molta eficàcia en problemes de reconeixement de patrons. La xarxa s’entrena presentant-li una sèrie d’imatges amb les cares que han de reconèixer-se. Una vegada entrenada, es presenta una imatge d’una cara a la xarxa neuronal, que és capaç de classificar-la.

Actualment existeixen sistemes operatius en el mercat, que asseguren una probabilitat

de reconeixement correcte d’aproximadament el 90%. Aquest tipus de sistemes d’anàlisi biomètrica també pot ser compromès. Les formes

més habituals són:

• Suplantació de la cara. Pot fer-se prenent fotos o vídeo d’una persona autoritzada i (després d’un processat d’imatge, si escau) utilitzant la imatge com suplantació.

11

• Atac a les comunicacions. Si el sistema de reconeixement facial necessita comunicar-

se via xarxa amb una base de dades remota, aquesta comunicació pot ser interceptada i alterada.

• Atac a la base de dades de patrons. Si la base de dades amb les cares resulta


En general són sistemes que pateixen d’una certa falta de robustesa, en el sentit que és

necessari que les condicions d’il·luminació en l’adquisició de la cara estiguin controlades, i que la persona no estigui en moviment.

2.7.- Identificació per mitjà de la signatura:

Realment la signatura d’usuari no és una característica biomètrica, però és habitual incloure-la en els anàlisis de sistemes d’identificació biomètrica, pel que la considerarem també breument en aquesta classificació.

Els sistemes d’anàlisis de signatures porten a terme la identificació de dues formes: mitjançant les característiques específiques pròpies de la signatura i mitjançant les característiques específiques del procés per a realitzar la signatura.

És a dir, es consideren aspectes com la velocitat, el temps que dura el procés de

signatura, la pressió de l’element d’escriptura, les adreces, longituds de traços i punts en els quals l’element d’escriptura es separa del paper. Per això aquests sistemes es denominen Dynamic Signature Verification (DSV). Actualment existeixen més de cent patents referides a la identificació de la signatura.

2.8.- Comparació dels sistemes biomètrics:

Perquè un sistema biomètric sigui adequat, no només cal que proporcioni uns bons resultats d’identificació, és a dir, una baixa taxa de falsos rebutjos i falses acceptacions, sinó també que sigui acceptat pels usuaris que ho van a utilitzar, això és, que sigui senzill d’utilitzar i poc invasiu.

En resum, existeixen una sèrie de consideracions que és convenient examinar a l’hora

d’estudiar els sistemes d’anàlisis biomètric. Són les següents:

• Facilitat d’ús. És clar que si la tecnologia en la qual es basa el sistema d’anàlisis biomètric no és fàcil d’utilitzar, els usuaris la rebutjaran i el sistema fracassarà. Això implica, entre d’altres coses, que el sistema sigui ergonòmic, que la taxa de falsos rebutjos sigui moderada, i que el software i la seva interfície amb l’usuari sigui usable.

• Possibilitats de desplegament. Lògicament, el sistema ha de requerir una instal·lació

que sigui abordable, el que implica tenir en compte factors com la mida dels

12

dispositius d’adquisició de dades biomètrics i dels dispositius processadors (si aquests estan separats d’aquells), la influència de les condicions ambientals (ventilació, humitat, temperatura, etc.), i els requisits d’infraestructura (alimentació, connectivitat a xarxa, connectivitat als sistemes processadors, etc…).

• Cost. Òbviament, es tracta d’un factor fonamental. Cal tenir en compte els costos

propis del dispositiu, els costos d’instal·lació i desplegament, i els costos de manteniment i de les actualitzacions de hardware i software.

• Acceptació dels usuaris. Cap dispositiu d’anàlisis biomètric passarà operatiu més d’un

temps breu, si no és acceptat pels usuaris que han de ser analitzats. Resulta per tant fonamental que el sistema sigui fàcil d’utilitzar (aspecte de facilitat d’ús comentat anteriorment), que el procés de presa de dades sigui el menys invasiu i molest possible, i que el temps utilitzat en tot el procés sigui el més breu possible.

L’aspecte de la invasivitat mereix ser considerat amb una mica més de detall. Hi ha

dos aspectes sota els que considerar la invasivitat del sistema biomètric. Un aspecte és el propi caràcter de la tecnologia: un micròfon utilitzat per captar la veu d’un usuari en un sistema d’anàlisis de veu és menys invasiu que un sistema que ha d’examinar el fons de l’ull per extreure el patró de venes de la retina. Un altre aspecte que influeix en la sensació de invasivitat és el grau de participació dels usuaris.

També influeix en l’acceptació dels usuaris el temps que aquests necessiten per a habituar-se al sistema, o la quantitat de temps que requereixen per entrenar-lo, i la dificultat de l’entrenament.

El que segueix a continuació és una taula en la qual recullen les diferents característiques dels sistemes biomètrics:

PARÀMETRES D’INTERÈS EN ELS SISTEMES BIOMÈTRICS Empremtes

Dactilars Mà Iris Retina Cara Veu Fiabilitat +++ +++ ++++ ++++ +++ +++ Seguretat +++ +++ ++++ ++++ +++ ++ Estabilitat +++ ++ +++ +++ ++ ++ Comoditat +++ +++ ++ + +++ +++ Confiança ++ +++ ++ ++ ++ +++

Com podem comprovar, cada sistema d’identificació te les seves avantatges i els seus

inconvenients. Així, per exemple, els sistemes basats en l’ull humà tenen una gran fiabilitat en les seves decisions, però són molt més complicats de fer servir (degut a la dificultat de fer una bona captura, sense reflexos i amb l’ull obert, o a que són molt invasius en la forma en la que es fa la captura de la imatge).

13

A continuació podem veure un breu resum dels percentatges d’us dels diferents

sistemes biomètrics en el mercat actual:

Iris VeuFirma

Empremta dactilar Altres

MàCara

El gran percentatge d’us, juntament amb les seves característiques a l’hora de fer-les servir com patró d’identificació biomètric, han fet que finalment s’esculli per implementar un sistema de reconeixement biomètric basat en les empremtes dactilars.

14

3.- Empremtes dactilars com patró biomètric: 3.1.- Per què les empremtes dactilars com a mitjà d’identificació:

Les empremtes dactilars són característiques exclusives dels primats. En l’espècie

humana es formen a partir de la sisena setmana de vida intrauterina i no varien en les seves característiques al llarg de tota la vida de l'individu.

Són les formes capritxoses que adopta la pell que cobreix els rovells dels dits. Estan

constituïdes per rugositats que formen sortints i depressions. Els sortints es denominen crestes papil·lars i les depressions, valls interpapil·lars. En les crestes es troben les glàndules sudorípares. La suor que aquestes produeixen conté oli, que es reté en els valls de l’empremta, de tal manera que quan el dit fa contacte amb una superfície, queda un residu d’aquesta, la qual cosa produeix un facsímil o negatiu de l’empremta.

Les empremtes dactilars es prenen dels dits índexs d’ambdues mans, tant per la

comoditat al capturar-les, com perquè aquests dits estan menys propensos que els polzes a sofrir accidents que deixin cicatriu.

Són úniques i irrepetibles encara en bessons idèntics, degut al fet que el seu disseny no

està determinat estrictament pel codi genètic, sinó per petites variables en les concentracions del factor del creixement i en les hormones localitzades dintre dels teixits. Cap assenyalar que en un mateix individu l’empremta de cadascun dels seus dits és diferent.

A més a més, dos dits diferents mai poden tenir més de vuit minúcies iguals, i cada un

té més de 30 o 40 minúcies.

3.2.- Historia:

Les empremtes dactilars han tingut diferents usos al llarg de la història de la humanitat.

Degut al fet que les empremtes dactilars són una característica distintiva entre els éssers humans, aquestes han estat utilitzades com mitjà d’identificació. Segons B.C. Bridgest, especialista en la matèria, les empremtes dactilars van començar a usar-se en les antigues civilitzacions:

• Alguns del primers usos pràctics de la identificació mitjançant impressions

dactilars són acreditats als xinesos; qui l’aplicaven diàriament en els seus negocis i empreses legals mentrestant el món occidental es trobava en el període conegut com l’edat fosca. Així mateix, diu Bridgest, en el llibre de lleis xinès de Yung Hwui: “S’establia que per a divorciar-se de l’esposa, l’espòs havia de donar un document que exposés set raons per a fer-lo. Totes les lletres haurien d’estar escrites amb la seva pròpia mà i signar el document amb les seves empremtes dactilars”.

• A les empremtes dactilars, també se les esmenta a la Bíblia:

15

“i va posar un segell sobre la seva mà per a memòria davant els seus ulls” (Èxode 13:9) i es refereix a elles precisament com una característica distintiva entre els éssers humans.

• En investigacions criminalístiques han estat utilitzades des del segle XIX i en

l’actualitat, fent ús de mètodes electrònics constitueixen un recurs molt més efectiu en aquest camp.

• En Mèxic (article 1834 del Codi Federal Civil) com en altres països del món, les

empremtes dactilars són reconegudes legalment com substitut de la signatura escrita, indispensable per a imposar obligació en un contracte o document, en els casos que la persona involucrada no pugui o no sàpiga signar.

3.3.- Identificació biomètrica amb empremtes dactilars:

3.3.1.- Classificació:

Els patrons d’empremtes dactilars estan dividits en 4 tipus principals, tots ells matemàticament detectables. Aquesta classificació és útil al moment de la verificació en la identificació electrònica, ja que el sistema només busca en la base de dades del grup corresponent.

Arc Verticil Presilla esquerraPresilla dreta

En la figura següent apareixen els 8 punts característics que hi ha en un dit, aquests es

repeteixen indistintament per a formar entre 60 i 120 ( per exemple 10 bifurcacions 12 entroncaments 15 illots, etc). A aquests punts també es diuen minutiae, o minúcies, terme utilitzat en la medicina forense que significa “punt característic”.

IllotBifurcació

Punt

Tall

Forqueta

Entroncament

Tancament

16

Tindrem 2 tipus de minúcies a les quals prestarem especial atenció: o Bifurcacions. o Terminacions de línia

Bifurcació

Terminació de línia

El motiu pel qual tant ens interessen és que entre els dos sumen gairebé el 80 % dels

punts singulars abans enumerats. En concret, les terminacions de línia representen el 60.6 % de punts singulars, mentre que les bifurcacions representen l’altre 17.9 %.

A una minúcia se li atribueixen dues característiques:

- La posició. La qual la denotarem amb dues coordenades (x, y). - L’orientació. La qual quantificarem com l’angle comprès entre l’horitzontal cap a la dreta (les 3 en un rellotge) i la prolongació de la línia amb sentit positiu en contra de les agulles del rellotge. Amb aquest conjunt de punts, el programari biomètric d’empremta dactilar genera un

model en dues dimensions, segons es mostra en l’exemple, el qual que s’emmagatzema en una base de dades, amb la deguda referenciació de la persona que ha estat objecte de l’estudi. Per a això, la ubicació de cada punt característic o minúcia es representa mitjançant una combinació de punts (x,y) dintre d’un plànol cartesià, els quals serveixen com base per a crear un conjunt de vectors que s’obtenen unint les minúcies entre si mitjançant rectes, l’angle i adreça dels quals generen el traç d’un prisma de configuració única i irrepetible (mètode de comparació d’empremtes basat en els triangles de Delaunay, com exemple de com comparar dues empremtes diferents). Per a portar a terme el procés invers o verificació dactilar, s’utilitzen aquests mateixos vectors, no imatges.

El dit és llegit per un capturador d’empremtes.

El dit és codificat pel capturador.

Es genera una plantilla i la imatge és comprimida

El capturador guarda i reconeix un conjunt de nombres que solament podran ser reconeguts com una plantilla.

17

El Sistema d'Identificació Automatitzada d’empremtes dactilars (AFIS) per les seves sigles en anglès, té un índex de seguretat del 99.9% ja que verifica la identitat d’una persona, basada en les característiques de les seves empremtes dactilars .

Exemple d’un Sistema AFIS

AFIS crea un model computaritzat de l’empremta, que pot ser comparada enfront

d’altra presentada ja sigui en persona, o a través d’una fracció de emprenta aixecada en algun lloc, o bé, presa d’una targeta decadactilar. Per a això s’utilitza un algorisme que permet associar l’empremta que es desitja identificar, amb unes altres de similars característiques, emmagatzemades en la base de dades.

Per a la identificació d’empremtes, és convenient contar amb la traça digital completa,

no obstant això, poden utilitzar-se fraccions de les mateixes, amb l’inconvenient que mentre més petit sigui el fragment, menor és el marge de seguretat. L’equip requerit per manegar el sistema consta de:

• Lector d’empremta dactilar . Els hi ha de diversos models, permeten l'ingrés de la

petjada ja sigui per a registrar-la o per a validar-la. (Terminals, equip de còmput estàndard. Envien informació pre-processada al servidor).

• Servidor. S’encarrega de la validació de l’empremta i del maneig dels dispositius

òptics que permeten emmagatzemar i recuperar informació sol·licitada pel servidor.

• Programari d’aplicació. Basat en algorismes per a codificació i comparació.

18

En el moment de la bioidentificació, el sistema ha de respondre a dues preguntes:

• És la persona qui diu ser? Per a això comprova si les dades de la persona a identificar, corresponen amb els guardats en una base de dades.

• Qui és la persona?

Aquest és el procés d’autenticació, és més tècnic que l'anterior, ja que inclou diverses comparacions amb aquelles empremtes que li siguin similars, contingudes en moltes bases de dades, amb la finalitat de poder diferenciar-les. Per a això compara l’empremta que la persona registra en un escàner òptic, amb aquella registrada prèviament. Cap assenyalar que si el sistema usa les empremtes dactilars dels índexs d’ambdues mans, oferirà un major marge de seguretat.

3.3.2.- Us de les empremtes dactilars:

Es solen fer servir en dos àmbits: • Criminal

Els arxius criminals compostos per 10 empremtes rodades (Completes). • Civil

Fa servir de 2 a 10 empremtes i pot ser usat en: o En el govern per a Sistemes de registre de població, emissió de: credencial

d’identitat, segur social, llicències; Migració, duana i passaports; Llicències i control de vehicles; Registre i processos electorals; Banca, Hisenda i Finances

• En la iniciativa privada permet:

o El control d’empleats, processament de Nòmines. o Control d’accés a àrees restringides. o En diversos països, com Estats Units, Malàisia, Nigèria, Líban, Hong Kong el

sistema és un instrument utilitzat com una forma de pagament, substituint a la targeta de crèdit o dèbit pel dit del client, ja que seria gairebé impossible de perdre i difícil de robar o duplicar.

o Per a obrir caixes fortes.

19

4.- El nostre Sistema: 4.1.- Objectiu del Sistema:

En aquest moment ja podem confirmar que l’objectiu del sistema serà la verificació d’identitat i/o la identificació d’un individu, on considerarem la definició de cadascun dels procediments que segueix:

• Verificació: La verificació d’un individu consisteix a autentificar la identitat

reclamada per un usuari. En aquest cas només haurem de comparar el patró que haurem extret de la mostra que prenem amb el patró de la identitat demanada. Un exemple d’aquest tipus de funcionament és el que es fa servir per accedir a un determinat servei personal com a usuari (ordinador, compte bancari...).

• Identificació: En aquest cas es compara el patró obtingut amb la mostra d’entrada amb

el de tots els individus inscrits al sistema (o només amb una part d'ella) amb la finalitat de comprovar si la identificació es positiva o negativa, essent:

o Identificació positiva quan el sistema determina que l'individu pertany al conjunt d’individus inscrit considerat o,

o Identificació negativa si el procediment d’identificació dut a càrrec pel sistema aboca a la no pertinença de l'individu al subconjunt d’individus inscrits donat.

Diagrama de fluxos del procés de verificació

20

4.2.- Requeriments del Sistema:

En el capítol de requeriments hem de tenir en compte que l’adquisició de la imatge és una de les parts més rellevants del funcionament del sistema i com a tal hem de tenir en compte els factors externs que poden produir una distorsió de la mostra. Els factors ambientals pertorbadors relacionats amb la toma de les mostres són, de major a menor rellevància:

• Llum ambiental: L’anàlisi d’una mostra adquirida en unes condicions de llum ambiental d’inferior o superior intensitat a la de la mostra d’aprenentatge poden retornar resultats erronis.

• Soroll electromagnètic: A l’haver d’adquirir les mostres per mitjans digitals s’han de

prendre precaucions davant de les possibles fonts de soroll electromagnètic (com ara per exemple mòbils, transformadors de corrent, etc.) que puguin alterar el correcte funcionament dels dispositius que formen el sistema de captura.

• Brutedat i contaminants: Si hi ha pol·lució a l’entorn en el que s’està adquirint la

mostra o la lent del dispositiu de captura presenta cap tipus de brutedat és probable que la resposta del sistema sigui errònia.

• Variacions de voltatge: Com a tot sistema que depèn del corrent elèctric per funcionar,

les pujades i baixades de tensió poden resultar nefastes.

• Cops i vibracions: S’ha de comprovar que el sistema no sofrirà cap sotragada i que està correctament resguardat contra possibles cops.

• Condicions ambientals: La exposició a la intempèrie pot provocar fallades de

hardware degudes als canvis d’humitat i de temperatura.

4.3.- Fases del sistema: El sistema de reconeixement consta de dues fases: Inscripció i Comparació. A la fase

d’inscripció obtenim una representació estable de les dades biomètriques de l’individu a partir d’una mostra seva (en el nostre cas una imatge de la FVC 2004). Seguidament, una estructura de dades amb les característic de dades del subjecte es pot emmagatzemar a una base de dades.

A la fase de comparació adquirim com a mostra una imatge del subjecte i comparem les característiques que extraurem d’aquesta mostra amb les que tenim presents a la nostra base de dades.

4.4.- Avaluació de la Fiabilitat:

Amb motiu de l’explicació de les diverses mesures que es fan servir per a la comprovació de la fiabilitat del sistema, hem de donar unes definicions prèvies:

• Intent autèntic. La mostra que s’ha de classificar pertany al propietari del patró amb la que es compara.

21

• Intent impostor. La mostra a classificar no pertany al propietari del patró amb la que s’està comparant.

• Client. Usuari inscrit al sistema.

• Impostor. Usuari que fa passar la seva identitat per la d’un determinat client sense

ser-ho. A la seva vegada pot ser de dos tipus: 1. Actiu si de manera conscient intenta usurpar la identitat de l’usuari del que

és impostor. 2. Passiu si sense el seu coneixement les mostres que l’han pres tenen un grau

de semblança molt gran al de l’usuari suplantat. En aquest projecte no disposem de més mostres que les pertanyents a la base de dades.

Per aquest motiu els impostors també es classifiquen en els següents termes: o Impostors genuïns Un impostor és genuí quan no pertany al grup d’usuaris que

estan donats d’alta al sistema. o Impostors simulats De manera contrària al cas anterior, un impostor és simulat si

està donat d’alta al sistema i intenta fer passar-se per altre individu també inscrit.

Amb les mostres de que disposem arribem a la conclusió que volem que els impostors que farem servir per a les nostres proves seran impostors actius simulats, és a dir, intentaran fer-se passar per altre usuari que estigui donat d’alta al mateix sistema que ells.

4.5.- Mesures del rendiment:

A continuació explicarem les principals etapes amb que ens trobarem en el funcionament del projecte:

Funcionament d' un sistema biomètric

Empremta Dactilar

22

Com podem comprovar haurem de prendre decisions en tres moments de cada operació:

• Validació de la mostra. Una vegada hem obtingut la mostra, hem de comprovar si aquesta és vàlida. S’estableixen les següents mesures sobre el rebuig de mostres en aquest moment del procés. 1. Taxa d’errades en la inscripció. Proporció de voluntaris que no han estat inscrits al

sistema amb la política establerta. 2. Taxa d’errades en operació. Proporció d’operacions que no han estat finalitzades.

• Decisió sobre la mostra. Les següents mesures serveixen per estimar aquest error:

1. Taxa de Falsos positius (False Match Rate, FMR)): Proporció de mostres

acceptades pertanyents a un client al que no corresponen. 2. Taxa de falsos negatius (False Non Match Rate, FNMR): Proporció de mostres

d’un client al que corresponen falsament rebutjades.

Aquestes taxes d’error són mesures centrades en el rendiment del algoritme i per tant independents de la política de decisió final adoptada, són les normalment fetes servir en les avaluacions de la tecnologia. El seu càlcul també és aconsellable en el cas de que hi hagi una decisió final basada en més d’una mostra, per que a sobre de l’avantatge exposat, els errors derivats d’aquesta decisió final poden ser posats en funció dels anteriors.

A l’hora de mostrar les errades en aquesta etapa es aconsellable l’utilització de les

representacions gràfiques ja que donen una visió general del rendiment del sistema independent del llindar de decisió, la qual cosa permet una comparació més objectiva entre sistemes. Aquesta comparació, en canvi, és més fàcil i clara si es fa servir una únic valor en la representació del rendiment, que és un avantatge quan el número de casos a comparar es alt.

Representació gràfica de la fiabilitat

Falsos positius (FMR) Falsos negatius (FNMR)

23

• Errades a la decisió final. Les errades a la decisió final es produeixen quan donada una mostra, aquesta no és assignada a la classe (individu) correcta.

1. Taxa de falses acceptacions (TFA): Es defineix com el percentatge d’operacions

de les mostres amb identitat o identitat falsament reclamada que el sistema dona com a vàlides (evidentment de manera incorrecta).

En identificació positiva i verificació una falsa acceptació es dona quan s’atribueix a una determinada mostra la identitat d’un individu diferent al subjecte a identificar, mentre que a la identificació negativa bé donada pel conjunt d’individus que són rebutjats pel sistema tot i encara estar inscrits en ell.

2. Taxa de falsos rebuigs (TFR): Exactament el contrari a l’anterior, aquesta bé

donada per la proporció d’operacions amb identitat o sense identitat correctament reclamada que el sistema dona com a falses essent la identitat donada correcta.

En verificació i identificació positiva es produeix un fals rebuig quan és rebutjat un client i a identificació negativa quan s’accepta a un usuari no inscrit al sistema.

La diferència entre la TFA/TFR i la resta de mesures radica en que les primeres estan definides per a comparacions sobre cada mostra, mentre que TFA/TFR està definida sobre operacions, a les que la decisió final involucra les decisions sobre el classificador, és a dir, en cas que necessitem sol·licitar més d’una mostra per individu, és a dir, si per exemple sol·licitem tres imatges per individu, hi haurà un rebuig fals cada vegada que tinguem un rebuig fals a les tres imatges sol·licitades.

La identificació biomètrica per mitjà d’empremtes dactilars té un grau de seguretat alt, però no esta exent d’intents de suplantació (creació de falses empremtes, tal i com s’ha explicat anteriorment)

24

5.- Funcionament del Sistema:

5.1.- Consideracions prèvies sobre la BBDD: S’han escollit per aquest projecte les bases de dades facilitades pel concurs internacional FVC 2004 (Third International Fingerprint Verification Competition).

Les Bases de Dades FVC 2004 són notablement més difícils que les de FVC2002 i

FVC2000, a causa de les pertorbacions deliberadament introduïdes. Els estudiants (24 anys de mitja) matriculats en el programa de grau d’Informàtica en

la Universitat de Bolonya amablement van estar d’acord amb actuar com voluntaris per a proporcionar empremtes dactilars:

• Es van escollir voluntaris a l’atzar per ser dividits en tres grups de 30 persones; cada

grup va ser associat a una Base de Dades i per tant a un escàner d’empremta dactilar diferent (diferent subjecte en cada base de dades, excepte una petita superposició de cinc voluntaris en dues bases de dades).

• Cada voluntari es va presentar en el lloc on es prenien les mostres en tres sessions distintes, amb almenys una separació de dues setmanes entre cada sessió.

• L’índex i el dit mig d’ambdós mans (quatre dits en total) de cada voluntari es van adquirir intercalant l’adquisició dels dits diferents per a maximitzar diferències de la col·locació de dit.

• No es va fer cap esforç per a controlar la qualitat d’imatge i les làmines de sensor sistemàticament no es van netejar.

• En cada sessió, es van adquirir quatre impressions de cadascun dels quatre dits de cada voluntari.

• Durant les primeres sessions, es van demanar a individus posar el dit en una posició lleugerament diferent vertical (en impressions 1 i 2) i alternar la pressió baixa i alta contra la superfície de sensor (impressions 3 i 4).

• Durant la segona sessió, es va sol·licitar als individus que exageressin la distorsió de la pell (impressions 1 i 2) i la rotació (3 i 4) del dit.

• Durant la tercera sessió, els dits van ser assecats (impressions 1 i 2) i humitejats (3 i 4).

Al final de la col·lecció de dades, per a cada base de dades es va obtenir un total de

120 dits i 12 impressions per dit (1440 impressions). Com en edicions anteriors, la grandària de cada base de dades per a ser usat en la prova va ser establert com 110 dits d’ampli (w) i 8 impressions per dit profundament (d) (880 empremtes dactilars en total en cada BBDD); el recolliment d’algunes dades addicionals va donar un marge en cas d’errors de col·lecció/etiquetatge. Els dits del 101 a 110 són els que es van fer disponible als participants per a testejar els seus algoritmes.

25

Tipus de Sensor Tamany Set A (wxd) Set B (wxd) Resolució

DB1. Sensor Òptic 640x480 (307 Kpixels) 100x8 10x8 500 dpi

DB2. Sensor Òptic 328x364 (119 Kpixels) 100x8 10x8 500 dpi

DB3. Sensor Tèrmic 300x480 (144 Kpixels) 100x8 10x8 512 dpi

DB4. SFinGe v3.0 288x384 (108 Kpixels) 100x8 10x8 sobre 500 dpi

La figura següent mostra una imatge de la mostra de cada base de dades:

La BBDD sobre la que s’han fet totes les proves correspon a la DB1 donades la seva major resolució i tamany.

26

http://bias.csr.unibo.it/research/biolab/sfinge.html

5.2.- El procés de l’algoritme:

Flux de l’algorisme proposat

Transformada de Fourier

Equalització del histograma

Binarització

Aprimament (Thinning)

Extracció minúcies

Eliminació de falses minúcies

Comparació

• Transformada de Fourier. La imatge realçada després de la transformada de Fourier

s’aconsegueixen millores a l’hora de connectar alguns fals punts de desempat en les vores i per a llevar algunes connexions falses entre les vores.

Empremta dactilar 105_2 resultant de la transformada de Fourier

27

• Equalització de l’histograma. La equalització d’histograma aconsegueix expandir el valor de la distribució del píxel d’una imatge de manera que augmenta la informació de la percepció.

Empremta dactilar 105_2, resultat de l’equalització de l’histograma

• Binarització. Consisteix en deixar una imatge en dos colors (binari blanc i negre) per

tal de que els següents passos es realitzin sobre una imatge molt més senzilla, en comptes d’una imatge en escala de grisos.

Empremta dactilar 105_2, resultat de la binarització

• Aprimament (Thinning). Consisteix en deixar la imatge binaritzada de tal manera que

totes les línies només tinguin d’ample un píxel, per tal de facilitar el procés d’extracció de minúcies.

Empremta dactilar 105_2, resultat del procés de Thinning

• Extracció de minúcies. En aquest moment de l’algorisme es quan, a partir del procés de

millora de l’empremta dactilar que hem fet fins el moment, podem extreure totes les minúcies que existeixen en l’empremta.

Empremta dactilar 105_2, resultat de l’extracció de minúcies

28

• Eliminació de falses minúcies. En aquest moment fem una passada per les minúcies eliminant les que han estat reconegudes com minúcies i són falses. També en aquest pas calculem la direcció de les minúcies que no s’han eliminat.

Empremta dactilar 105_2, resultat de l’eliminació de falses minúcies

• Comparació. Finalment, una vegada superats aquest passos, ja podem comparar les dues

empremtes i donar un veredicte sobre les dues empremtes.

Resultat de comparar les empremtes 105_2 i 1_1

En aquest pas obtenim el percentatge en que s’assemblen les dues empremtes. Podem distingir el l’algorisme proposat dues parts ben diferenciades:

1. La primera part, que conté des de el procés de la transformada de Fourier fins l’Aprimament, és un procés de preprocessat de la imatge, amb l’objectiu de millorar-la per posteriorment tenir una imatge de molta més qualitat sobre la que treballar, intentant minimitzar falses interpretacions sobre les empremtes donades per captures de baixa qualitat.

2. En la segona meitat de l’algorisme a la qual denominarem postprocessat és quan

s’interpreten els trets característics de les empremtes dactilars, basant-nos en els mètodes d’extracció de minúcies per la comparació entre diferents empremtes dactilars. Existeixen mètodes alternatius als que s’han fet servir, que comentarem breument en posteriors apartats.

29

El motiu per el que s’han escollit aquest passos en l’algorisme es degut a:

1. Els passos de l’etapa de preprocessat són típics a gairebé tots els algorismes per reconeixement d’empremtes dactilars, degut a que normalment aconsegueixen una bona millora de l’empremta dactilar en un temps relativament petit (bona eficiència).

2. L’extracció de minúcies és una de les tècniques més utilitzades degut a la seva

senzillesa. Encara que no és la tècnica que dona millor resultat a l’hora de la comparació d’empremtes, si que és la que té millor temps de comparació, ja que altres tècniques són molt més lentes.

3. Com a conseqüència de l’extracció de minúcies, s’ha d’introduir un procés

d’eliminació d’aquelles minúcies que realment no tindrien que haver estat detectades.

4. A l’hora de la comparació de minúcies hi ha molts mètodes, però aquí ens hem decantat per un mètode senzill, però amb millors resultats que altres tècniques senzilles com la comparació en coordenades polars (Apèndix B).

5.3.- Transformada de Fourier:

La transformada de Fourier té una multitud d’aplicacions en moltes àrees de la ciència i enginyeria: la física, la teoria dels nombres, la combinatòria, el processament de senyals, la teoria de la probabilitat, l’estadística , l’òptica , la propagació d’ones i d’altres. En processament de senyals la transformada de Fourier sol considerar-se com la descomposició d’un senyal en components de freqüències diferents.

La transformada de Fourier s’utilitza per a passar al "domini de la freqüència" per a

obtenir informació que no és evident en el domini del temps.

Ja que una empremta dactilar està conformada de crestes i valls, la informació direccional és de gran interès. En el domini de la freqüència la informació direccional està continguda en el mòdul de la transformada de Fourier bidimensional. En la tècnica escollida de millora la imatge és sectoritzada en blocs de 20x20 píxels, amb un nivell de solapament de 10 píxels per costat (el solapament entre blocs de la imatge d’entrada redueix les discontinuïtats entre blocs adjacents en la imatge millorada).

Per a cada bloc solapat es determina la seva representació en el domini de la freqüència a través del càlcul de la transformada ràpida de Fourier bidimensional (Two-dimensional Fast Fourier Transform, FFT), després s’aplica una funció no lineal a les dades resultants que tendeix a incrementar la “potència” de la informació útil (el patró global i l’orientació particular de les crestes i valls) enfront del soroll. Finalment per a retornar al domini espacial es calcula la transformada inversa de Fourier bidimensional (Two-dimensional Inverse Fast Fourier Transform, IFFT) i procedim a descartar els 10 píxels per costat obtenint les dades millorades del bloc en qüestió.

30

Resum del procés: o Dividim la imatge en els blocs de procés petits (20 per 20 píxels). Si no tenim

problemes de sortir-nos de la imatge, afegim els 10 píxels per cada costat de la imatge que volem solapar i realitzem la transformada ràpida de Fourier segons:

per u = 0, 1, 2, ..., 39 i v = 0, 1, 2, ..., 39.

A aquesta dada l’anomenarem FFT. En cas que no puguem agafar els 10 píxels per costat de solapament (per motius que ens sortiríem fora de la imatge), ens adaptem a la situació i agafem la imatge en un tamany de 20x20 i llavors en la fórmula anterior només seria de u = 0,1,2,...,19 i igual amb la v.

o Per a realçar un bloc específic per les seves freqüències dominants, multipliquem

el FFT del bloc per la seva magnitud un conjunt de vegades. On la magnitud de l’original, FFT = ABS(F(o, v)) = |F(o, v)|.

On F-1 es la IFFT, que es pot obtenir amb:

per a x = 0, 1, 2..., 39 i y = 0, 1, 2..., 39.

La k en el fórmula és una constant, de la que molts autor recomanen alguns valors com

k = 0.6 en [1] i k = 1.4 en [2], però fent proves hem trobat un millor resultat amb paràmetres una mica més baixos, com k = 0.45 que es el que finalment hem escollit.

Mentre que tenir una "k més alta" millora l’aspecte de les vores de l’empremta, tenir

una "k massa alta" pot donar lloc a problemes, com per exemple que una minúcia de finalització es pogués convertir en una bifurcació. Per això s’ha preferit escollir una k més baixa.

El motiu d’escollir un solapament entre blocs es per evitar certes imperfeccions que es

poden originar al ajuntar els blocs que retorna l’algorisme, ja que la imatge pot quedar fraccionada i crear minúcies que realment no existeixen. Aquí tenim un exemple del resultat sense solapament comparat amb la imatge resultant amb la millora del solapament:

31

Transformada de fourier sense solapament Transformada de fourier amb solapament

om es pot apreciar, existeixen distorsions en la imatge sense solapar que ens podem provoc

a imatge realçada després de FFT aconsegueix millores en el camp de connectar alguns

Per exemple, en aquesta figura podem veure un exemple sobre la imatge 23_2 de la

Imatge original imatge millorada per fourier

Car problemes, en canvi amb el solapament aquestes distorsions causades per enviar la

imatge en porcions petites a la FFT no ens provoca aquesta distorsió. Lfals punts de desempat les vores de les imatges i per a llevar algunes connexions falses

entre els cants. base de dades de l’aplicació de la transformada de fourier.

Podem veure que les línies estan més definides i aconseguim millorar algunes zones on la imatge esta difuminada o directament esborrada, en alguns casos.

32

5.4.- Equalització de l’histograma:

Tal com podrem apreciar, la imatge desplegada com resultat de la Transformada de Fourier té poc contrast de color i intensitat. En Matlab, podem obtenir la distribució d’intensitats de la imatge per crear un histograma:

Histograma de la imatge original

Aquest histograma ens revela que el rang de la intensitat de color usat en la imatge és una miqueta estret i no cobreix tot el rang potencial de 0 a 255 (8 bits, 28- 1 = 255).

Això provoca el poc contrast de la imatge. A través d’una comanda de Matlab, continguda dintre del “Image Processing toolbox”, podem dispersar els valors d’intensitat d’una imatge a tot el seu rang.

Imatge resultant de l’equalització de l’histograma

Com podem veure en aquest gràfic, ara la imatge té el seu histograma repartit al llarg

de totes els valors, aconseguint una millora notable en el seu contrast i intensitat. Prenem com exemple l’empremta 1_1, on a la primera imatge podem observar el resultat d’aplicar la Transformada de Fourier, i a la segona el resultat d’aplicar l’equalització a l’histograma. Es pot observar una millora en el contrast de les crestes i els valls.

33

Imatge resultant de la transformada de Fourier Imatge resultant de l’equalització

5.5.- Binarització:

En certes aplicacions les imatges en escala de grisos requereixen ser convertides a imatges binàries (negre / blanc). Aquesta operació es diu binarització. La tècnica estàndard de binarització realitza la comparació numèrica dels píxels amb un valor llindar. Si el píxel d’interès té un valor menor al llindar, llavors el píxel corresponent en la imatge binària pren el zero, en cas contrari pren el valor 1.

La determinació d’un valor llindar òptim és un problema molt important en el

processament d’imatges i existeixen diverses solucions. Les més usades són llindar fix (fixant prèviament el valor del llindar) i llindar variable (es calcula depenent de la imatge). Per al cas de les impressions dactilars, la tècnica més empleada es denomina umbralització adaptativa, on la imatge és sectoritzada en blocs i per a cada bloc s’assigna com valor llindar el terme mitjà de les intensitats dels píxels. El límit d’aquesta tècnica és la seva alta dependència amb la qualitat de la imatge a binaritzar.

Aquesta és la tècnica que s’ha fet servir, amb la salvetat que s’ha inclòs la tècnica del

solapament com a la transformada de fourier per tal d’evitar imperfeccions a la imatge binaritzada, com ruptures en les línies (que crearien minúcies de finalització indesitjades).

Exemple de la binarització sobre la imatge 67_3 de la base de dades.

34

Imatge resultant de l’equalització de l’histograma Imatge resultant de la binarització

5.6.- Aprimament (Thinning):

L’aprimament busca representar una regió o objecte pel seu graf o esquelet. L’esquelet d’una regió és un conjunt de punts connectats, situats a la meitat de les vores, tenint aquests les següents propietats:

o Presenten la mateixa connectivitat que la regió original. o L’ample de l’esquelet és un píxel. o Preserva els punts aïllats i de finalització de la regió original.

Una manera d’obtenir l’esquelet està basada en la denominada transformació de l’eix

radial. Per a cada element de la regió es busca el punt de la vora més proper, si més d’un punt de la vora està a aquesta distància l’element pertany a l’eix medial que s’equipara a l’esquelet. Com pot deduir-se el cost computacional és prohibitiu. Per això s’han desenvolupat altres algorismes que aconsegueixin pràcticament la mateixa fi, però de forma més ràpida, tal que per a no arribar a destruir l’esquelet compleixen les següents condicions:

o No eliminar els punts extrems. o No trencar la connectivitat. o No causar excessiva erosió en la regió.

Matlab ens proporciona una eina per a obtenir una imatge esqueletitzada (bwmorph)

que a més de esquelitzar la imatge, posteriorment ens deixa fer una neteja de la imatge (a través de cridar-la amb diferents paràmetres) eliminant bugs de l’estil:

o Píxels aïllats (1 envoltat de 0) o Eliminar punts connectats horitzontalment. o Eliminar punts finals de les línies sense eliminar petits objectes. A continuació podem trobar alguns exemples de bugs originats al realitzar

l’aprimament, que són els que volem eliminar com acabem de comentar:

35

Alguns dels bugs generats en el procés d’aprimament

a) Bugs generats.

b) Resultats d’eliminar els bugs.

Com comentari, dir que en el programa creat, al fer l’aprimament, degut a la baixa resolució que Matlab mostra les imatges (les adapta a l’espai que ocupen dins la finestra del programa) la imatge generada sembla que estigui molt fragmentada i que s’hagi perdut informació. Això no es així, ja que s’ha fet la prova d’emmagatzemar la imatge resultant del procés per poder-la obrir en una finestra normal amb altres programes (ara ja en la seva resolució original) i s’ha pogut apreciar que el procés no ocasiona la pèrdua de qualitat (creant buits en la imatge aprimada), sinó que crea una imatge aprimada de bona qualitat de l’empremta original.

A continuació podem veure l’efecte de l’aprimament sobre la imatge 51_1 de la base de dades:

Imatge binaritzada Imatge aprimada

36

5.7.- Extracció de minúcies:

Com s’ha comentat, només tindrem en compte dos tipus de minúcies a l’hora d’extreure-les de la imatge (finalització i bifurcació), degut a la senzillesa per extreure-les i que entre els dos tipus sumen gairebé el 80 % dels punts singulars abans enumerats. En concret, les terminacions de línia representen el 60.6 % de punts singulars, mentre que les bifurcacions representen l’altre 17.9 %.

Després del procés d’aprimament al que sotmetem l’empremta dactilar marcar les

minúcies és relativament fàcil. Però s’ha detectat que no és una tasca trivial ja que hem de tenir en compte perquè existeix almenys un cas especial que cal tenir en compte a l’hora d’extreure les minúcies.

El procés seguit per extreure les minúcies es pot resumir en general de la següent

manera (encara sense tenir en compte cap cas especial).

Per a cada finestra de 3x3 píxels: o Si el píxel central és 1 i té solament 1 veí de valor 1, llavors el punt central és

tracta d’una minúcia de finalització.

Exemple de detecció d’una minúcia de finalització

o Si el píxel central és 1 i té exactament 3 veïns de valor 1, llavors el punt central es tracta d’una minúcia de bifurcació.

Exemple de detecció d’una minúcia de bifurcació

Així, anem recorrent tota la imatge dividint-la en porcions de 3x3 i anem buscant els patrons que hem seleccionat per detectar una minúcia.

1 0 1 0 1 0 0 1 0

1 0 0 0 1 0 0 0 0

37

Hem de tenir en compte però que, tal i com hem advertit abans tenim casos especials en que aquest sistema pot provocar que alguna minúcia es conti més d’una vegada. Això ens ocorreria per exemple en el cas següent:

Si en aquest patró proposat tinguéssim un 1 en un veí del píxel superior amb valor 1 o a la dreta del 1 de més a la dreta, llavors contaríem dues vegades la bifurcació, creant una falsa minúcia. Així doncs, necessitem comprovar a l’algoritme que cap dels veïns d’una bifurcació sigui una bifurcació, per tal de no crear aquest conflicte.

Finalment, aquí tenim la imatge 51_1 de la base de dades amb les minúcies extretes:

Imatge Aprimada Imatge amb les minúcies extretes

(blau bifurcació i vermell finalització)

A demes en aquest pas es calcula la distancia entre línies que posteriorment ens servirà

per eliminar falses minúcies. Aquesta distancia es refereix a la distancia mitja entre dues línies adjacents. La manera de calcular aquesta distancia es la següent:

o Escanegem una fila de la imatge aprimada i sumem tots els píxels de la fila que tenen valor 1.

o Dividim la longitud de la fila amb el càlcul que hem trobat abans per obtenir la distancia entre línies.

Per obtenir més precisió, el càlcul anterior es repeteix en varies files i columnes per

obtenir totes les distancies, per posteriorment trobar la mitja d’aquestes que es la que farem servir.

0 0 1 1 1 0 0 0 1

38

5.8.- Eliminació de falses minúcies: A causa de les diferents distorsions que presenta tota empremta dactilar, en el pas de

detecció de minúcies es detecten un gran nombre de minúcies falses i es consideren com vàlides. Aquest pas de l’algorisme s’encarrega d’eliminar aquestes minúcies, ja que eliminar la gran part redueix el temps de comparació

. Diferents tipus de falses minúcies

a) línea trencada, b) ganxo, c) illa, d) pont, e) unió, f) triangle, g) múltiples línies trencades, h) lader, i) línia trencada i unió

j) llac, k) wrinkle, l) punt

Depenent de l’autor, alguns recomanen diferents mètodes per eliminar aquestes minúcies:

o [3] només considera alguns dels casos proposats com falses minúcies. o [4] no elimina cap falsa minúcia, ja que simplement assumeix que la qualitat de la

imatge es bastant bona.

o [5] Elimina gairebé tots els tipus de minúcies falses, llevat d’alguns casos concrets com el cas (h).

Per aquest projecte s’ha escollit un procediment a mig camí entre [3] i [4], donat que

només s’eliminen algunes d’aquestes falses minúcies: o Fem el càlcul de la distancia a la que es troben totes minúcies de les altres. Si en

algun cas aquesta distancia obtinguda es més petita que la distància que hem calculat que existeix entre línies, llavors marquem aquesta minúcia com sospitosa (candidata a ser eliminada).

o Posteriorment eliminem les minúcies marcades com sospitoses, i calculem l’angle

de les minúcies que s’ha escollit com a minúcies verdaderes. Això es fa en aquest moment perquè així ens estalviem de calcular angles de minúcies que posteriorment eliminarem. En canvi ara només calculem l’angle de les minúcies que realment ens interessen.

39

Amb aquesta eliminació de falses minúcies aconseguim eliminar les minúcies que es troben fora de l’empremta i totes aquelles que estan massa juntes, ja que són candidates potencials a ser falses minúcies per la seva proximitat, degut a una pobre qualitat de la imatge (es poden generar minúcies falses degut a que alguna part de la imatge s’ha perdut al capturar-la i quedin forats entre parts d’una línia que tindria que ser continua, i llavors si el forat es petit estarà a menys de la distancia entre línies).

No s’ha decidit eliminar més minúcies confiant en que amb aquesta eliminació s’han

solventat els problemes deguts a la pobre qualitat de la imatge. Tal com s’ha dit, esta a mig camí entre el proposat a [3] i [4].

En aquest pas també es calculen els angles de les minúcies restants, de la següent

manera: o En les minúcies de finalització l’angle es calcula:

1. Creem un segment que comença en la finalització i té una distancia igual a la distancia entre línies.

2. Es suma totes les coordenades x del segment. 3. Dividim la suma anterior entre la distancia entre línies per obtenir SX. 4. Seguim els passos 2 i 3, però aquest cop sobre les coordenades en y per

obtenir SY. 5. Obtenim l’angle amb la formula:

atan((SY-TY)/(SX-TX)), on TY i TX son les coordenades de la minúcia. o L’angle de les minúcies de bifurcació es més difícil de calcular. La tècnica

utilitzada consisteix en trencar la bifurcació en tres minúcies de finalització, que ja hem comentat com es calcula l’angle de cadascuna. L’angle de la minúcia de bifurcació serà el de la primera minúcia de finalització, tal i com mostra la següent figura:

Aquí mostrem un exemple de com es trencaria la bifurcació en les 3 minúcies

de finalització:

0 0 1 1 1 0 0 0 1

40

A continuació tenim un exemple del resultat del procés d’eliminació de falses

minúcies sobre la imatge 51_1 de la base de dades: Imatge amb minúcies extretes Després d’eliminar falses

minúcies, amb angles de les minúcies en verd

Com podem comprovar s’han eliminat la gran part de les minúcies de fora de la part principal de l’empremta, així com les minúcies que estaven a molt poca distancia. També s’han calculat els angles de les minúcies definitives.

5.9.- Comparació: Donats els conjunts de minúcies de dues empremtes dactilars, l’algorisme de

comparació determina si les empremtes dactilars pertanyen a la mateixa persona o no. Esta dividit en dues etapes consecutives:

1. Etapa d’alineació. Donats dues imatges de l’empremta dactilar a ser comparades, es tria una minúcia qualsevol de cada imatge. Calculem la semblança de les dues minúcies escollides. Si la semblança és més gran que un llindar, transformem cada conjunt de minúcies a un nou sistema de coordenades, el origen del qual esta en el punt referenciat i el seu eix x coincideix amb la direcció del punt referit

2. Etapa de comparació: Després que aconseguim els conjunts minúcies transformades, usem una algorisme de comparació per a contar els parells de minúcies que són iguals, assumint que les dues minúcies tenen gairebé la mateixa posició i l’angle és idèntic.

5.9.1.- Etapa d’alineació: Per cada parell de minúcies, on cada minúcia correspon a una empremta diferent, hem

de calcular la semblança d’aquestes dues minúcies. La semblança de comparar aquestes minúcies s’obté de:

S = ∑mi=0 xi Xi / [∑m

i=0 xi2 Xi

2]^0.5

41

On (xi,…,xn) i (Xi,…,XN ) és el conjunt de les minúcies per a cada imatge de l’empremta dactilar respectivament i m és el mínim del valor n i el valor de N.

Si el valor de la semblança és més gran de 0.85, llavors continuem amb el següent pas,

si no continuem comparant el següent parell. El següent pas a realitzar és traslladar i rotar les minúcies de cada empremta dactilar

respecta a una minúcia de referència, seguint la següent formula:

on (x,y, θ) són els paràmetres de la minúcia de referència, i TM és:

El diagrama següent il·lustra l’efecte de la translació i de la rotació:

El nou sistema de coordenades s’origina en la minúcia F i el nou eix X coincideix amb

la direcció de la minúcia F. No hi ha cap efecte d’escalament ja que s’assumeix que dues empremtes dactilars del mateix dit tenen gairebé la mateixa mida.

42

5.9.2.- Etapa de comparació: L’algorisme per comparar les minúcies ha de ser flexible, ja que demanar que els

paràmetres (x, y, θ) de les dues minúcies corresponguin exactament és impossible, degut a les deformacions de l’empremta i la resolució del escàner òptic.

Per això, el que fem es col·locar un rectangle al voltant de cada minúcia. Si les

minúcies a comparar estan dintre del rectangle, i la variació de l’angle és molt petita llavors podem dir que les empremtes són iguals. Cada minúcia en la imatge no té cap minúcia igual o té només una minúcia corresponent.

El valor final d’igualtat per a dues empremtes dactilars és el nombre de parell de

minúcies iguals sobre la primera empremta. El valor que donem com a resultat de la comparació és un percentatge (comprés entre 0 i 100). Podem fixar un valor d’aquest percentatge per saber si dues empremtes dactilars són iguals (per exemple si les dues empremtes són un 70% iguals, llavors podem dir que corresponen al mateix dit).

No obstant això, l’algorisme de comparació té una gran complexitat de còmput i és

vulnerable a les falses minúcies.

Exemple de comparació de dues empremtes (105_3 i 105_5)

43

6.- Eficiència del sistema: Els temps de comparació de dues empremtes dactilars és bastant gran, però hem de tenir en compte que Matlab interpreta el codi, no el compila, i per tant és possible millorar el codi compilant-lo, disminuint així el temps que trigaria en fer la comparació (degut a que Matlab es una eina de prototipatge ràpid d’aplicacions, motiu per el qual s’ha escollit aquest sistema). En un Pentium IV a 3 GHz amb 512 Mb de RAM triga al voltant d’uns 20 segons. En un Pentium III a 900 MHz amb 512 Mb de RAM el temps esta al voltant dels 40 segons. Per executar el test de l’algorisme s’han escollit una sèrie d’empremtes que s’han comparat entre elles i amb la resta d’empremtes escollides per tal d’establir els falsos positius i els falsos negatius que ha donat l’algorisme. Posteriorment, hem passat a Excel el resultat dels tests i amb aquestes dades s’ha obtingut el següent gràfic:

Fiabilitat

0

20

40

60

80

100

120

0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

Percentatge

Taxa

d'e

rror

s

TFATFR

En el eix x (Percentatge) trobem el percentatge que s’ha fet servir per determinar si dues empremtes són iguals, i en l’eix y la taxa d’errors que ha donat l’algorisme. TFA com Taxa de Falses Acceptacions i TFR cpm Taxa de Falsos Rebuigs. El punt òptim per establir quan dues empremtes són iguals es troba en el 65%, ja que és quan es creuen TFA i TFR, i en aquest punt tenim un compromís entre falses acceptacions i falsos rebuigs. Podem desplaçar el valor tant com vulguem, però hem de tenir en compte que la TFA anirà decreixent, però la TFR ens augmentarà. En aquest punt tenim una TFA del 35% i una TFR del 46,9%, tal com podem veure a continuació:

44

Fiabilitat

0

20

40

60

80

100

120

Percentatge

Taxa

d'e

rror

s

TFATFR

TFA 100 100 100 99,8 99,3 98,6 95,2 90,4 85,1 77,3 69,2 58,3 46,1 35 24,8 20 14,7 9,53 4,61 2,03 1,17

TFR 0 0 0 0 0 0 0,94 2,81 5,63 11,3 16,6 27,8 35 46,9 55,9 62,5 70 74,7 78,4 81,6 83,4

0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

Com podem apreciar el resultat de la fiabilitat no ha estat tot el bo que s’esperava, ja que presenta una taxa d’errors alta. Això es degut a:

o La qualitat de les empremtes dactilars de la base de dades és de mala qualitat en la seva major part, donat que aquestes empremtes estan fetes d’aquesta manera per intentar provar al màxim els algorismes.

o Encara s’ha de millorar més l’algorisme d’eliminació de falses minúcies, ja que ell

és el responsable d’alguns dels problemes de la comparació d’empremtes i per tant, de les errades a l’hora de determinar el percentatge de semblança.

45

7.- Conclusions i Resultats:

7.1.- Cost d’implementació: El número de hores fetes servir per a l'implementació del projecte va ser aproximadament d’unes quatre hores diàries cinc dies a la setmana durant 10 setmanes, en total unes 200 hores. El cost per hora d’un enginyer informàtic és, prenent com a base que el 1999 era de 8000 pessetes, amb les conseqüents pujades de l’IPC a l’estat espanyol (aproximadament un 25%) uns 65 euros. El cost total, per tant, de les hores de treball que ha costat fer el projecte són 13.000 Euros.

7.2.- Resultats: La realització d’aquest projecte ha resultat amena, però els resultats han estat lleugerament decebedors, donat que, tot i seguint les pautes trobades a la bibliografia, les taxes de falsos rebutjos i falses acceptacions han estat massa altes (degut a que les falses minúcies creen problemes a l’hora de comparar). No obstant, considero l’implementació d’aquest projecte com a una experiència constructiva i vàlida com a referència per a treballs futurs, com l’implementació d’una xarxa neuronal per a l’optimització del sistema (no tenir que escollir 2º individu) o la millora de l’eliminació de falses minúcies per obtenir una millor comparació de les empremtes. El llenguatge de programació emprat (Matlab 7.0) amb el toolkit de processat d’imatges disposava de gairebé totes les funcions necessàries fet sumat amb que el factor de que sigui un llenguatge vectorial va suposar que la implementació del projecte fos possible amb moltes menys línies de codi que amb altre llenguatge més clàssic, encara que he hagut d’adaptar-me a fer servir un entorn totalment nou per a mi que ha necessitat de bastants hores de practica i aprenentatge. Voldria agrair a la meva família, als meus amics i al meu director de projecte (Pere Marés Martí) pel suport que m’han donat.

46

Annex A: Manual del Programa

1.- Contingut del CD: En el CD es poden trobar dos directoris: Base de datos: directori que conté les imatges de les empremtes que s’han utilitzat durant la realització d’aquest PFC. Codi: Programa: directori que conté el programari i la utilitat de comparació d’empremtes dactilars.

2.- Instal·lació: Per a poder executar el programari implementat és necessari tenir instal·lat el programa Matlab en el versió 7.0. També és necessari el Image Processing Toolbox de Matlab. El programa es pot executar directament des del CD sense efectuar ningun tipus de instal·lació, només s’ha d’afegir al PATH de Matlab el directori on es troba el programa. Això es pot fer des de l’apartat “Current directory”. S’ha d’incloure el directori Codi del CDROM.

Si es desitja executar el programa des d’altra ubicació, només s’han de copiar tots els arxius de la carpeta Codi i Base de Datos a la nova ubicació, i afegir aquesta al Path de Matlab. Una vegada s’ha inclòs la ruta del programa en el Path, ja és possible executar-lo.

3.- Interfície gràfica: Per a obrir la interfície gràfica del programa, s’ha d’executar la següent funció des de la finestra de comandes de Matlab: >> interfaz; En la figura següent es mostra la interfície gràfica del programa.

47

Una vegada ens trobem a la pantalla general del programa, podem escollir: • Base de dades d’imatges: Tenim a la nostra disposició 4 bases de dades d’imatges, cadascuna corresponent a una de les bases de dades del FVC2004. Les podem seleccionar a:

• Una vegada escollida la Base de Dades d’imatges, podem escollir la imatge que vulguem

dintre d’aquesta. Existeixen dos mètodes per escollir imatge: 1. De forma manual: Podem escollir a través dels desplegables superiors imatge i mostra per cada una de les empremtes.

2. De forma aleatòria: Cada una de les empremtes es pot escollir de forma aleatòria a través dels botons que tenim a sota dels desplegables d’individus:

48

A més a més, podem escollir que la segona empremta dactilar pertanyi al mateix individu de la empremta 1, però que la mostra escollida sigui a l’atzar. Això s’aconsegueix amb el botó “Mateix individu que el 1”.

• Els botons “reset” i “test” serveixen per: o Reset permet tornar a la imatge original de l’empremta, esborrant les minúcies que

s’han afegit al buffer per mostrar-les per pantalla. o Test serveix per efectuar test massius de comparació d’empremtes. Esta dissenyat

per fer proves d’eficiència. Per canviar els paràmetres de la prova hem de modificar l’arxiu “EjecutarTest.m” que es troba a codi.

• Una vegada escollides les imatges de les dos empremtes, podem:

- Comparar directament les empremtes, prement el botó “comparar”. Al quadre de resultats veurem el resultat de la comparació de les dues empremtes:

49

Resultat de la comparació

- Escollir diferents resultats parcials de les diferents fases: Podem escollir que només ens mostri els resultats d’una de les fases:

• Transformada de Fourier • Equalització de l’histograma • Binarització • Thinning • Extreure minúcies • Eliminar falses minúcies • Comparar

Escollint els botons de la interfície corresponents tindrem els resultats de cada un d’aquests processos:

50

Annex B: Alternatives en el procés de l’algorisme En aquest apartat comentarem algunes de les opcions alternatives a les emprades en el projecte que també s’utilitzen a l’hora de la comparació de les empremtes dactilars.

Extracció del Finger Code: L’extracció del Finger Code és una altre tècnica diferent per comparar empremtes, però amb la característica que no necessita extreure les minúcies de l’empremta, ja que fa una altre tipus de comparació. Els 5 passos per a l’extracció del Finger Code són:

1. Determinació del punt central: Determinar el punt de referència de l’empremta dactilar.

2. Sectorització circular: Sectoritzar la imatge en regions circulars. 3. Normalització: Normalitzar cada una de les regions o sectors circulats a un

determinat nivell de variància i mitja constants. 4. Filtrat: Descompossar en el domini espai-freqüència la imatge normalitzada utilitzant

el banc de filtres de Gabor bidimensionals, on cada un dels filtres esta sintonitzat en una orientació específica.

5. Extracció del vector de característiques: Calcular la variància dels nivells de grisos en els sectors circumdants al voltant del punt de referència per cada una de les imatges filtrades, obtenint el vector de característiques (Finger Code).

Exemple d’empremta amb el Finger Code extret

Graus corresponent a les imatges: a)0º, b) 22.5º, c) 45º, d) 67.5º, e) 90º, f) 112.5º, g) 135º, h) 157.5º

54

Comparació de minúcies a través de les coordenades polars:

Consisteix en comparar les minúcies basant-nos en les seves coordenades i en l’angle polar, en comptes de fer canvis de coordenades. Per trobar les coordenades i l’angle en forma polar hem d’aplicar les següents formules:

Exemple de comparació de minúcies en coordenades polars

Comparació de minúcies basada en els triangles de Delaunay: La triangulació és un procés que pren una regió de un espai i la divideix en un conjunt de sub regions. El espai pot ser d’una o més dimensions. No obstant, considerem un espai bidimensional, donat que tractem amb punts (les posicions de les minúcies). L’objectiu del ús de la triangulació de Delaunay és l’associació d’una estructura topològica bidimensional vinculada a les posicions de les minúcies. Els triangles de Delaunay compleixen certes propietats:

• La triangulació d’un conjunt de punts no degenerats és única. • Un cercle al voltant de tres punts de tot triangle de Delaunay no conté altres punts, • L’angle mínim enfront a tots els angles en tots els triangles en una triangulació de

Delaunay és més que l’angle mínim en qualsevol altre triangulació dels mateixos punts.

55

Exemple de comparació de dues empremtes a través dels triangles de Delaunay

Extracció dels punts característics mitjançant filtres de Gabor: Aquesta tècnica és bastant novedosa i utilitza una extracció dels punts característics de les empremtes dactilars basada en un ban de filtres de Gabor. Aquesta tècnica es fa servir per capturar la informació útil en les bandes dels canals de la imatge i Descompossar la informació en components ortogonals en termes de freqüències espacials. Aquesta tècnica presenta unes bones característiques de precisió, però presenta uns pobre resultats en termes de velocitat d’extracció (pitjor que tècniques d’extracció més clàssiques).

56

Exemple d’un filtre de Gabor

Comparació d’empremtes a través de xarxes neuronals: Una altre opció de comparació d’empremtes és la comparació a través de xarxes neuronals. La tècnica que fan servir és donar un sèrie de valors lògics a les diferents escales de grisos que hi ha entre el blanc i el negre. Sobre aquesta representació la xarxa neuronal treballaria buscant els patrons a reconèixer dins de tota la imatge de l’empremta. Aquesta tècnica és molt depenent de la qualitat de l’empremta al treballar sobre la imatge en escala de grisos i a demés té un temps d’extracció superiors.

57

Bibliografia: [1] WATSON, C.I.; CANDELA, G.I. ; GROTHER P.J. “Comparison of FFT Fingerprint Filtering Methods for Neural Network Classification”. Technical Report: NIST TR 5493, Sept, 1994. [2] WILLIS, A.J.; MYERS, L. “A cost-effective fingerprint recognition systems for use with low-quality prints and damage fingertips”. Pattern Recognition, vol. 34, nº 2, pp.233-270, 2001. [3] RATHA, N.; CHEN, S.; JAIN, A.K., "Adaptive Flow Orientation Based Feature Extraction in Fingerprint Images", Pattern Recognition, Vol. 28, pp. 1657-1672, November 1995. [4] MAIO, D.; MALTONI, D., “Direct gray-scale minutiae detection in fingerprints”. IEEE Trans. Pattern Anal. And Machine Intell., 19(1):27-40, 1997. [5] JAIN, L.C.; HALICI, U.; HAYAHI, I.; LEE, S.B.; TSUTSUI, S., “Intelligent biometric techniques in fingerprint and face recognition”. 1999, the CRC Press. [6] RATHA, N.K. ; KARU K.; CHEN, S. ; JAIN, A.K., “A real-time matching system for large fingerprint databases”, IEEE TPAMI 18(8) 799, 1996

[7] TONG, X.; HUANG, J.; TANG, X.; SHI, D., “Fingerprint Minutiae Matching Using Adjacent Feature Vector”. [8] ARRIETA, A.G.; MARÍN. J.G.; SANCHEZ, L.J.G.; ROMERO, L.A.; LÁZARO. A.L.S.;BATISTA,V.L.; “Gestión y reconocimiento óptico de los puntos característicos de imágenes de huellas dactilares”. [9] VILLAMIZAR RIVERO, J.A., “Procesamiento y clasificación de huellas dactilares”. Lecturas Matematicas. 15 (1994), pp. 149-165 [10] ALBA, J.L.; CID, J.; MORA, I., “Métodos de Anàlisis de imágenes”. [11] ARIAS PARRA, M., “Desarrollode algoritmos de filtrado de imágenes de huellas dactilares”. [12] LORENZO, V.L., PELLITERO, P.H., MARTINEZ TORRE, J.I., VILLAR, J.C., “Fingerprint Minutiae Extraction Based On FPGA and MatLab”. Grupo de Diseño HwSw. Universidad Rey Juan Carlos. [13] POULOS, M., MAGKOS, E., CHRISSIKOPOULOS, V., ALEXANDRIS, N., “Secure fingerprint verification using computation geometry algorithms” [14] CASTAÑEDA MIRANDA, A.; CASTAÑEDA MIRANDA, R., ALANIZ LUMBRERAS, D.; CASTAÑO, V.M., “Imagen processing system for fingerprints recognition”. Memorias SOMI XV

58

[15] GARCIA ORTEGA, C.G., “Sistema de reconocimiento de huellas dactilares para el control de acceso a recintos”. Centro de investigación en computación. Laboratorio de sistemas digitales. Instituto Politécnico Nacional (México) [16] ALONSO PEREZ, V.E.; MARTIN ORTIZ, M.I., “Reconocimiento de Huellas dactilares en escala de grises”. Facultad de Ciencias de la Computación. Benemérita Universidad Autónoma de Puebla. [17] SMITH, C., “Fingerprint Minutia Detection”. University of Nevada, Reno [18] ALBA, J.L.; CID, J., “Transformadas de imagen”. Universidad Carlos III de Madrid. [19] NIMITHA, C., “Fingerprint image enhancement and minutiae extraction”. Dept. of Electrical & Computer Engineering. Clemson University. [20] MARTIN, F.; SUAREZ, F.J., “Identificación dactilar basada en filtros de gabor”. Departamento de teoría de la señal y comunicaciones. Universidad de Vigo. [21] HONG, L.; JIAN, A.; PANKANTI,, S.; BOLLE, R.; “Fingerprint enhancement” Applications of Computer Vision, 1996. WACV '96., Proceedings 3rd IEEE Workshop on 2-4 Dec. 1996 Page(s):202 – 207.Digital Object Identifier 10.1109/ACV.1996.572056 [22] TICO, M.; KUOSMANEN,P., “Fingerprint matching using an orientation-based minutia descriptor”. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 25, NO. 8, AUGUST 2003 [23] SEOW, B.C.; YEOH, S.K; LAI, S.L; ABU, N.A., “image based firgerprint verification”. 2002 student conference on research and development proceedings. Malaysia. [24] AMENGUAL, J.C; JUAN, A.; PEREZ, J.C.; PRAT, F.; SAEZ, S.; VILAR, J.M., “Real-time minutiae extraction in fingerprint images” Instituto tecnológico de Informática, España. [25] CHEN, J.; MOON, Y., “A statistical study on the fingerprint minutiae distribution”. Department of computer science and engineering. The Chinese University of Hong Kong. Planes Web: http://www.google.eshttp://ieeexplore.ieee.org/Xplore/dynhome.jsphttp://es.wikipedia.org/wiki/Transformada_r%C3%A1pida_de_Fourierhttp://es.wikipedia.org/wiki/Transformada_de_Fourierhttp://www.ceditec.etsit.upm.es/biometria.php?pagina=12http://www.angelfire.com/la/hmolina/matlab1.htmlhttp://homepages.inf.ed.ac.uk/rbf/CVonline/CVentry.htmhttp://www-pagines.fib.upc.es/~vc/1rapractiques.htmhttp://home.kimo.com.tw/carouse9/FRS.htmhttp://www.fmrib.ox.ac.uk/%7Esteve/susan/thinning/node2.htmlhttp://www.csse.uwa.edu.au/~pk/research/matlabfns/FingerPrints/Docs/index.htmlhttp://www.monografias.com/trabajos5/matlab/matlab.shtmlhttp://bias.csr.unibo.it/fvc2004/

59

http://ieeexplore.ieee.org/xpl/RecentCon.jsp?punumber=4231

http://www.google.es/

http://ieeexplore.ieee.org/Xplore/dynhome.jsp

http://es.wikipedia.org/wiki/Transformada_r%C3%A1pida_de_Fourier

http://es.wikipedia.org/wiki/Transformada_de_Fourier

http://www.ceditec.etsit.upm.es/biometria.php?pagina=12

http://www.angelfire.com/la/hmolina/matlab1.html

http://homepages.inf.ed.ac.uk/rbf/CVonline/CVentry.htm

http://www-pagines.fib.upc.es/%7Evc/1rapractiques.htm

http://home.kimo.com.tw/carouse9/FRS.htm

http://www.fmrib.ox.ac.uk/%7Esteve/susan/thinning/node2.html

http://www.csse.uwa.edu.au/%7Epk/research/matlabfns/FingerPrints/Docs/index.html

http://www.monografias.com/trabajos5/matlab/matlab.shtml

http://bias.csr.unibo.it/fvc2004/

Data - nissanchair.com · DADES DEL PROJECTE Títol del Projecte: “Sistema de reconeixement de...

Documents

Transcript of Data - nissanchair.com · DADES DEL PROJECTE Títol del Projecte: “Sistema de reconeixement de...