Professional Documents
Culture Documents
Índice Contenidos
1 Objetivo ........................................................................................... 1
2 Antecedentes.................................................................................... 3
3 Biometría de Huellas Dactilares..................................................... 5
3.1 Reconocimientos Biométricos...................................................................6
3.1.1 Tipos de Reconocimientos Fisiológicos..............................................6
3.1.2 Tipos de Reconocimientos Comportamentales ...................................7
3.2 Huellas Dactilares .....................................................................................8
3.2.1 Crestas papilares. ...............................................................................8
3.2.1.1 Definición de cresta papilar. ...........................................................8
3.2.1.2 Clasificación de crestas papilares. ...................................................9
3.2.1.3 Factores que influyen en las crestas papilares................................10
3.2.2 Dactilogramas. .................................................................................11
3.2.2.1 Definición de dactilograma. ..........................................................11
3.2.2.2 Sistemas dactilares........................................................................11
3.2.2.3 Puntos característicos....................................................................12
3.2.2.4 Puntos singulares: Deltas y núcleos...............................................14
3.2.3 Clasificación de impresiones dactilares............................................15
3.2.3.1 Adeltos. ........................................................................................15
3.2.3.2 Pseudodeltos.................................................................................16
3.2.3.3 Dextrodeltos. ................................................................................16
3.2.3.4 Siniestrodeltos. .............................................................................17
3.2.3.5 Bideltos. .......................................................................................17
3.2.3.6 Ilegibles........................................................................................18
3.2.4 Utilidad de la impresión dactilar como elemento identificativo........18
3.3 Sistema Automático de Identificación Dactilar .....................................19
3.4 Adquisición de huellas dactilares ...........................................................21
3.5 Procesado y Extracción ..........................................................................24
3.5.1 Método de Binarización ...................................................................25
3.5.1.1 Realce del borde ...........................................................................25
3.5.1.2 Binarización .................................................................................25
3.5.1.3 Segmentación ...............................................................................26
3.5.1.4 Adelgazamiento y Podado ............................................................26
3.5.2 Extracción de minutias ....................................................................28
iii
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
iv
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
v
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
vi
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
Índice de figuras
Figura 3.1: Sección de la piel de las yemas de las manos. (1) epidermis,(2) dermis. ..........8
Figura 3.2: Cresta Papilar. ................................................................................................9
Figura 3.3: Crestas arciformes. .........................................................................................9
Figura 3.4: Crestas angulosas............................................................................................9
Figura 3.5: Crestas verticilares..........................................................................................9
Figura 3.6: Sistemas dactilares: marginal, basilar y nuclear.............................................11
Figura 3.7: Dactilograma anucleado................................................................................11
Figura 3.8: Punto final. ...................................................................................................12
Figura 3.9: Punto bifurcación..........................................................................................12
Figura 3.10: Punto aislado. .............................................................................................13
Figura 3.11: Punto secante..............................................................................................13
Figura 3.12: Punto núcleo...............................................................................................14
Figura 3.13: Punto delta..................................................................................................14
Figura 3.14: Dactilograma adelto....................................................................................15
Figura 3.15: Dactilograma pseudodelto...........................................................................16
Figura 3.16: Dactilograma dextrodelto............................................................................16
Figura 3.17: Dactilograma sinestrodelto..........................................................................17
Figura 3.18: Dactilograma bidelto (“whorl”)...................................................................17
Figura 3.19: Dactilograma bidelto (“double loop”) .........................................................17
Figura 3.20: Dactilograma ilegible..................................................................................18
Figura 3.21: Modos de funcionamiento de un SAID. ......................................................20
Figura 3.22: Ejemplos de capturas realizadas por sensores on_chip. ...............................22
Figura 3.23: Sensor Completo. .......................................................................................22
Figura 3.24: Sensor Parcial. ...............................................................................................23
Figura 3.25: Ejempo realce de borde...............................................................................25
Figura 3.26: Ejemplo binarización: (a) imagen original, (b) imagen binarizada. ..............25
Figura 3.27: Ejemplo Segementación: a) imagen original, b) imagen segmentada...........26
Figura 3.28: Ejemplo Adelgazamiento y podado.............................................................26
Figura 3.29: Proceso de podado. ....................................................................................27
Figura 3.30: Ejemplo preparación imagen para la extracción de minutias .......................27
Figura 3.31: Identificación de minutias. ..........................................................................28
Figura 3.32: Filtraje estructural. ......................................................................................28
Figura 4.1: Sección transversal de una huella dactilar (a). Sección crestas capturadas (b).
................................................................................................................................29
vii
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
Figura 4.2: Imagen de la huella dactilar capturada. (a) σ distancia entre dos crestas
consecutivas. (b) ε ancho de la cresta. ...............................................30
Figura 4.3: La imagen nos muestra el punto (ic,jc) y dirección ϕ c pertenecientes a una
cresta. ......................................................................................................................31
Figura 4.4: La imagen muestra el desplazamiento de µ realizado en dirección ϕ c y el
punto (it,jt) encontrado.............................................................................................31
Figura 4.5: Corte de dirección ϕ c +π/2 centrado en (it,jt) y longitud 2σ+1. .....................32
Figura 4.6: Sección Ω que contiene el nivel de gris para cada punto del corte realizado y
centrado en el punto (it,jt) de longitud 2σ+1.............................................................32
Figura 4.7: Búsqueda de el punto (in,jn) en la sección Ω.................................................33
Figura 4.8: Representación de cortes transversales donde se aprecia la influencia de ruido.
................................................................................................................................35
Figura 4.9: Representación de las secciones paralelas propuestas: 1= Ω+1, 3= Ω, 3= Ω-1.
................................................................................................................................35
Figura 4.10: Máscara Gaussiana. ....................................................................................36
Figura 4.11: La figura muestra la comparación entre la sección original y el resultado
obtenido por el filtraje. .............................................................................................36
Figura 4.12: Ejemplo cresta original y la cresta poligonal obtenida en la imagen auxiliar T
................................................................................................................................39
Figura 4.13: Algoritmo de extracción de minutias propuesto por el Dr.Dario Maio.........40
Figura 4.14: Ejemplo cálculo punto (ic,jc). .....................................................................41
Figura 4.15: Tipo de minutias que encuentra el algoritmo de maio..................................42
Figura 5.1: Detalle ampliado Error_A1...........................................................................53
Figura 5.2: Detalle ampliado Error_A2...........................................................................54
Figura 5.3: Detalle ampliado Error_A3...........................................................................55
Figura 5.4: Detalle ampliado Error_A4...........................................................................56
Figura 6.1: a)Seguimiento del algoritmo de maio sobre una imagen no filtrada. B) zona de
la imagen ampliada donde se observa la perdida de minutias....................................64
Figura 6.2: Masrcaras Gaussianas. (a)Máscara propuesta por Maio con pesos [1/23, 2/23,
5/23, 7/23, 5/23, 2/23, 1/23], (b)Máscara propuesta en este proyecto con pesos
[1, 2, 4, 8, 4, 2, 1].....................................................................................................67
Figura 6.3: Selección de ángulos con un incremento de 15º. ...........................................68
Figura 6.4: Resultado extracción minutias ojo humano. 1.tiff..........................................73
Figura 6.5: Resultado extracción minutias DIGIMAC. 1.tiff. ..........................................73
Figura 6.6: Resultado extracción minutias ojo humano. 2.tiff..........................................74
Figura 6.7: Resultado extracción minutias DIGIMAC. 1.tiff. ..........................................74
Figura 6.8: Resultado extracción minutias ojo humano. 3.tiff..........................................75
viii
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
ix
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
x
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
Índice de Tablas
Tabla 5.1: Características imagen sfinge_1.tiff................................................................44
Tabla 5.2: Características imagen sfinge_2.tiff................................................................45
Tabla 5.3: Características imagen sfinge_3.tiff................................................................45
Tabla 5.4: Características imagen sfinge_4.tiff................................................................46
Tabla 5.5: Características imagen img_mej.tiff. ..............................................................46
Tabla 5.6: Tabla ejemplo presentación resultados seguimiento........................................47
Tabla 5.7: Resultado Procesado Sfinge_1.tiff. .................................................................48
Tabla 5.8: Resultado Procesado Sfinge_2.tiff. .................................................................49
Tabla 5.9: Resultado Procesado Sfinge_3.tiff. .................................................................50
Tabla 5.10: Resultado Procesado Sfinge_4.tiff. ...............................................................51
Tabla 5.11: Resultado Procesado img_mej.tiff. ...............................................................52
Tabla 5.12: Resultado seguimiento sfinge_1.tiff. Algoritmo Modificado.........................58
Tabla 5.13: Resultado seguimiento sfinge_2.tiff. Algoritmo Modificado.........................59
Tabla 5.14: Resultado seguimiento sfinge_3.tiff. Algoritmo Modificado.........................60
Tabla 5.15: Resultado seguimiento sfinge_4.tiff. Algoritmo Modificado.........................61
Tabla 5.16: Resultado seguimiento img_mej.tiff. Algoritmo Modificado. .......................62
Tabla 6.1: Tabla ejemplo para la comparación entre métodos de extracción de minutias. 70
Tabla 6.2: Código de colores para la identificación de minutias. .....................................70
Tabla 6.3:Comparación ojo humano-DIGIMAC imagen 1.tiff.........................................73
Tabla 6.4 : Comparación ojo humano-DIGIMAC imagen 2.tiff.......................................74
Tabla 6.5: Comparación ojo humano-DIGIMAC imagen 3.tiff........................................75
Tabla 6.6: Comparación ojo humano-DIGIMAC imagen 5.tiff........................................76
Tabla 6.7: Resumen comparación extracción minutias ojo humano-DIGIMAC...............77
Tabla 6.8: Error_1:Perdida de minutias según tipo de imagen. ........................................90
Tabla 6.9: Error_2:Cambio brusco de la dirección provocado por la presencia de ruido. .92
Tabla 7.1: Máscara Gx................................................................................................. 100
Tabla 7.2: Máscara Gy ................................................................................................. 100
xi
Análisis del Algoritmo de Maio para la extracción de huellas dactilares.
Optimización para una implementación hardware.
xii
Objetivo
1 Objetivo
Hace mucho tiempo que se utilizan las huellas dactilares como sistema de
identificación. Ya en la antigua china, las huellas dactilares de una persona eran utilizadas
como parte de la firma realizada en documentos públicos y privados. Más recientemente,
las huellas dactilares se utilizan en investigaciones policiales para la identificación de
sospechosos.
El grupo de investigación de VLSI persigue el objetivo de implementar un
“embedded security system” capaz de autentificar la identidad de cualquier individuo a
partir de la utilización de la biometría de huella dactilar.
Este proyecto forma parte de dicha investigación y tiene el objetivo particular de
realizar el análisis y la modificación de un algoritmo para la extracción de las
características físicas de las huellas dactilares. Las modificaciones que se proponen van
dirigidas a permitir una implementación hardware de partes del algoritmo que hagan
posible bajar las necesidades del sistema y poder así obtener un algoritmo de extracción de
los puntos característicos de huellas dactilares en microprocesadores de bajo coste.
El algoritmo base utilizado para realizar las modificaciones y los análisis que se
muestran en este proyecto propuesto por los doctores Dario Maio y Davide Maltoni se basa
en la extracción de las características de las huellas dactilares en imágenes en escala de
grises. Las modificaciones más importantes propuestas para realizar una implementación
hardware son la eliminación de productos y divisiones del algoritmo y la eliminación
operaciones en coma flotante. Todas estas modificaciones nos permitiría realizar un
dispositivo electrónico (hardware + software) de pequeñas dimensiones, bajo coste y alta
calidad en los resultados. Obteniendo así la posibilidad de la utilización de la identificación
o autentificación de huellas dactilares en nuevos campos de aplicación. Una de las posibles
funciones que podría utilizar en como llave de acceso, ya sea en hoteles substituyendo las
tarjetas o llaves de apertura de habitaciones, como en grandes o medianas empresas como
control de acceso de áreas restringidas.
1
Objetivo
2
Antecedentes
2 Antecedentes
3
Antecedentes
4
Biometría de Huellas Dactilares
5
Biometría de Huellas Dactilares
6
Biometría de Huellas Dactilares
7
Biometría de Huellas Dactilares
8
Biometría de Huellas Dactilares
9
Biometría de Huellas Dactilares
Existen tres factores que influyen en las características de las crestas papilares,
pudiendo determinar su grosor e incluso un patrón de su forma:
Edad: Los dibujos papilares no sufren ninguna modificación con el paso del tiempo;
sin embargo, el grosor tanto de las crestas como de los surcos, aumenta con la edad. En
general se pueden distinguir tres grupos de edades: individuos de edad inferior a catorce
años, entre catorce y sesenta y cinco e individuos con más de sesenta y cinco años.
Sexo: La diferencia entre las crestas papilares del hombre y de la mujer es el grosor.
En general, las del hombre son más gruesas que las de la mujer, por lo que conociendo la
edad del individuo se puede determinar el sexo de una persona a partir de la medida del
grosor de sus crestas papilares.
Herencia: Aunque cada persona tiene un dibujo papilar distinto de otra, incluso entre
gemelos, sí está demostrado que entre personas de la misma familia hay una tendencia a
reproducir patrones de forma en los dibujos papilares.
Además, existen una serie de características personales que pueden afectar en gran
medida a las impresiones dactilares. A este respecto podemos citar:
Profesiones especiales: existen determinados profesionales cuyo trabajo se realiza
exponiendo sus dedos a un intenso agente abrasivo (ácido, desgaste por rozamiento, etc.).
En estas personas es muy difícil realizar ningún tipo de estudio ya que pueden llegar a
carecer casi completamente del dibujo papilar.
Accidentes: evidentemente el que mayor impacto representa sería la amputación
completa de la primera falange. Sin llegar a ese extremo existen una gran variedad de los
mismos (quemaduras, heridas profundas, etc.) que pueden afectar al dibujo papilar.
Enfermedades: algunas enfermedades provocan alteraciones epidérmicas graves que
afectan a las falanges de los dedos. Entre las más usuales se puede citar la hiper o
hipohidratación, sindactilia, polidactilia, etc.
10
Biometría de Huellas Dactilares
3.2.2 Dactilogramas.
11
Biometría de Huellas Dactilares
Las crestas papilares presentan, con frecuencia, puntos de coincidencia con otras
crestas o bien terminan de manera abrupta. A estos puntos de ruptura en el dibujo se les
denomina “puntos característicos” de la cresta. Existen varios tipos de puntos
característicos atendiendo a la forma en que aparecen en una cresta. Aunque algunos
autores citan algún tipo más, se ha creído conveniente agrupar algunos de ellos en los
siguientes ya que son los más utilizados a la hora de generar modelos matemáticos que
permitan la comparación entre dos impresiones dactilares:
12
Biometría de Huellas Dactilares
13
Biometría de Huellas Dactilares
Además de estos puntos existen dos tipos de puntos llamados “singulares” que son
muy importantes en las etapas de clasificación de las huellas. Estos puntos “singulares” en
este proyecto no se buscan ya que sólo se realiza el proceso de extracción de puntos
característicos o minutias ( terminaciones y bifurcaciones), el proceso de clasificación de
las huellas dactilares para su comparación no es materia ni objetivo de este proyecto. De
todas formas, se ha querido incluir esta información por si alguno de los lectores de este
proyecto encontrara referencias a estos tipos en otras publicaciones referentes a la
biometría de huellas dactilares.
14
Biometría de Huellas Dactilares
3.2.3.1 Adeltos.
En la clasificación de Galton
corresponden al tipo “Arch” (figura 3.14).
Carecen de delta y de sistema nuclear y
las crestas presentan un arqueamiento
convexo.
15
Biometría de Huellas Dactilares
3.2.3.2 Pseudodeltos.
3.2.3.3 Dextrodeltos.
16
Biometría de Huellas Dactilares
3.2.3.4 Siniestrodeltos.
3.2.3.5 Bideltos.
Engloban a los dactilogramas “whorl” (figura 3.18) y los “double loop” (figura
3.19) de Galton. Los de tipo whorl tienen dos deltas y un núcleo mientras que los double
loop tienen dos deltas y dos núcleos. Dentro de este tipo se encuentran también
dactilogramas con tres o más deltas aunque se encuentran muy difícilmente.
Figura 3.18: Dactilograma bidelto (“whorl”) Figura 3.19: Dactilograma bidelto (“double loop”)
17
Biometría de Huellas Dactilares
3.2.3.6 Ilegibles.
18
Biometría de Huellas Dactilares
19
Biometría de Huellas Dactilares
ENROLMENT RECOGNITION
IMAGE ACQUISITION IMAGE ACQUISITION
(Biometrics) (Biometrics)
STORAGE
(Template) (Sample)
(Sample)
MATCHING
Template = Sample?
RESULT
(Yes / No)
20
Biometría de Huellas Dactilares
21
Biometría de Huellas Dactilares
22
Biometría de Huellas Dactilares
23
Biometría de Huellas Dactilares
24
Biometría de Huellas Dactilares
3.5.1.2 Binarización
Este componente consiste en transformar la imagen en escala de grises resaltada a
una imagen binarizada, donde las zonas negras de la imagen resaltada obtienen valor 1 y
las zonas blancas 0. Este proceso es el más importante en este método, ya que si no se
realiza correctamente se puede llegar a perder mucha información de la imagen original y
mostrarnos resultados no aptos para la extracción de minutias.
Figura 3.26: Ejemplo binarización: (a) imagen original, (b) imagen binarizada.
25
Biometría de Huellas Dactilares
3.5.1.3 Segmentación
La imagen binarizada que hemos obtenido del proceso anterior todavía no es apta
para la extracción de minutias o puntos característicos. Ha esta imagen se le somete a una
segmentación, que es la eliminación de partes de la imagen donde hay muchos cambios de
dirección o bajo contraste. Este método nos permite resolver futuros errores en la
extracción de minutias que nos harían encontrar una cantidad de minutias falsas.
(a) (b)
26
Biometría de Huellas Dactilares
(c) Podado
27
Biometría de Huellas Dactilares
Una vez realizada la extracción de minutias, muchas veces es necesaria una etapa de
post-procesado para eliminar minutias falsas encontradas en la imagen, para ello el método
de la binarización utiliza un filtrado de minutias estructural, ya que pueden ser fácilmente
encontradas en el esqueleto de la imagen. Las estructuras a filtradas (figura 3.32) son
crestas que tienen puntos finales encarados (a, b), bifurcaciones encaradas con puntos
finales (c) o con otras bifurcaciones (d), algunas puntos espuria (e), puentes (f), triángulos
(g) y estructuras cuadradas (h).
28
Algoritmo de extracción DIGIMID
Figura 4.1: Sección transversal de una huella dactilar (a). Sección crestas capturadas (b).
29
Algoritmo de extracción DIGIMID
Desde un punto de vista matemático, una cresta se define como un sistema de puntos
que son máximos locales a lo largo de una dirección. Ha partir de esta definición, el
Dr.Dario Maio propone un código para la extracción de las crestas que consiste en
localizar en cada paso del algoritmo un máximo local a través de una sección ortogonal a la
dirección de la misma. De esta forma, conectando los máximos consecutivos se consigue
una aproximación poligonal de la cresta a ser estudiada.
Una vez capturada la imagen de la huella dactilar en la escala de gris (figura 4.2),
donde σ es la distancia en pixels entre el centro de dos crestas consecutivas (a) y ε
representa la anchura de la cresta en pixels (b). El algoritmo trabaja de la siguiente manera:
(a)
(b)
Figura 4.2: Imagen de la huella dactilar capturada. (a) σ distancia entre dos crestas consecutivas. (b) ε
ancho de la cresta.
30
Algoritmo de extracción DIGIMID
Dado un punto (ic,jc) que pertenece a una cresta con una ángulo ϕ c (figura 4.3). El
algoritmo para encontrar un nuevo punto de la cresta realiza un desplazamiento de µ píxels
en dirección ϕ c , ya que se supone que la dirección del punto (ic,jc) concuerda con la
dirección de la cresta a seguir. Una vez realizado el desplazamiento encontramos el punto
(it,jt) (figura 4.4).
Figura 4.3: La imagen nos muestra el punto (ic,jc) y dirección ϕ c pertenecientes a una cresta.
31
Algoritmo de extracción DIGIMID
El punto (it,jt) puede que no este bien centrado en el centro de la cresta, que es la
zona donde se encuentran los máximos, y hasta podría ser que el punto estuviera situado
fuera o al borde de la cresta si el ángulo ϕ c no estuviera bien calculado o no coincidiese
con la dirección de la cresta a seguir. Para evitar que el nuevo punto a seguir no este bien
centrado lo que propone el algoritmo es realizar un corte de dirección ϕ c +π/2 centrado en
el punto (it,jt) de longitud 2σ+1 (figura 4.5).
Una vez realizado el corte, obtenemos una sección Ω de longitud 2σ+1 que contiene
el nivel de gris para cada punto de la misma, tal y como se muestra en la figura 4.6.
Figura 4.6: Sección Ω que contiene el nivel de gris para cada punto del corte realizado y
centrado en el punto (it,jt) de longitud 2σ+1.
32
Algoritmo de extracción DIGIMID
Una vez encontrado el punto (in,jn) , el algoritmo mira que este punto cumpla con los
criterios de parada. Si el resultado de evaluar los criterios de parada dan positivo, es decir
que el punto no pertenezca a la cresta se termina el proceso. En cambio, si el resultado es
falso, es decir se trata de un punto de la cresta, el algoritmo calcula la dirección de este
nuevo punto (in,jn), y este punto y ángulo calculado se convierten en el punto (ic,jc) y la
dirección o ángulo ϕ c volviendo a empezar todo el proceso explicado para calcular un
nuevo punto de la cresta.
33
Algoritmo de extracción DIGIMID
Una vez vista la forma de trabajar de el método propuesto por el Dr.Dario Maio para
el seguimiento de la cresta , el algoritmo resultante en pseudo-código es:
seguimiento_cresta(is,js, ϕ 0 )
{
end=false;
(ic,jc)=(is,js);
ϕc = ϕ0 ;
while (!end)
{
(it,jt)=(ic,jc)+ desplazamiento ;
//desplazamiento= µ píxels en dirección ϕ c .
Ω=realizar_seccion(it,jt, ϕ c +π/2);
//Devuelve sección de puntos de la cresta
//punto central (it,jt) y dirección ϕ c +π/2.
(in,jn)=maximo_local(Ω);
//devuelve el punto que es máximo local en Ω.
end=criterio_parada();
//busca condiciones de parada en los puntos
// calculados ya se por haber encontrado el final de
//la cresta, el cruce de dos crestas o perdida de
//seguimiento
(ic,jc)=(in,jn);
ϕ c =calculo_direccion(ic,jc);
}
Las partes más importantes de este método son las funciones de maximo_local(),
criterio_parada(), calculo_direccion(), ya que el mal funcionamiento de las mismas haría
que el seguimiento de la cresta fuera falso. En consecuencia en los siguientes apartados se
explican estas tres funciones con detalle y detenimiento.
34
Algoritmo de extracción DIGIMID
Una vez vista la imposibilidad de utilizar el método anterior, el Dr. Dario Maio
propone un método para encontrar el máximo en la sección un poco diferente anterior, ya
que está obligado a realizar algún proceso para eliminar el ruido o contraste en la sección a
estudiar.
El método propuesto consiste en buscar un punto que sea un máximo local débil en la
sección después de haber realizado un pequeño filtro en la misma. Un máximo débil es un
punto en el que su nivel de gris es superior al punto anterior e inferior al siguiente. Esta
definición nos podría hacer pensar que se puede perder mucho tiempo recorriendo la
sección o que nos podríamos desviar mucho del punto central de la misma, que
teóricamente ya pertenece a la cresta. Para evitar esto, el Dr. Dario Maio dice que el nuevo
punto (in,jn) será el máximo local de la sección Ω más próximo al punto central de la
misma que era el punto (it,jt).
Para intentar evitar los efectos que puedan producir la presencia de ruido en la
imagen, el Dr. Dario Maio propone realizar un filtrado en dos pasos:
- El Primer paso es calcular la media de los niveles de gris en Ω para cada punt con
dos secciones del mismo tamaño paralelas distanciadas un píxel de Ω tal y como
se muestra en la figura 4.9.
- El segundo paso consiste en realizar una convolución con una máscara gaussiana.
35
Algoritmo de extracción DIGIMID
Una vez realizados los dos pasos anteriores, se obtiene una Ω' donde realizar la
búsqueda de un máximo débil fácilmente tal y como se ha mencionado anteriormente en
este apartado. La figura 4.11 nos muestra como quedarían las crestas con ruido mostradas
anteriormente una vez realizado estos dos pasos de mejora.
36
Algoritmo de extracción DIGIMID
37
Algoritmo de extracción DIGIMID
38
Algoritmo de extracción DIGIMID
Figura 4.12: Ejemplo cresta original y la cresta poligonal obtenida en la imagen auxiliar T
39
Algoritmo de extracción DIGIMID
40
Algoritmo de extracción DIGIMID
41
Algoritmo de extracción DIGIMID
Del Dr. Dario Maio indica en su publicación que los valores de las constantes citas
en este apartado después de realizar las pruebas pertinentes son:
µ=3,σ=7,β=ψ=30º,ε=3,ν=2.
42
Desarrollo y Modificación Algoritmo de Maio
43
Desarrollo y Modificación Algoritmo de Maio
A continuación se pueden encontrar diferentes tablas con las imágenes de las huellas
dactilares y sus principales características utilizadas para el desarrollo del software.
Características
Detalle
Nombre_Imagen: sfinge_1.tif
44
Desarrollo y Modificación Algoritmo de Maio
Características
Detalle
Nombre_Imagen: sfinge_2.tif
Características
Detalle
Nombre_Imagen: sfinge_3.tif
45
Desarrollo y Modificación Algoritmo de Maio
Características
Nombre_Imagen: sfinge_4.tif
Características
Huella extraída de
la base de datos del
estudio de Dr.Dario
Maio. Tiene un ancho
de cresta entre 4 y 9
píxeles según la zona. Y
una separación de
crestas mínimo de 4
píxeles.
Detalle
Nombre_Imagen: img_mej.tif
46
Desarrollo y Modificación Algoritmo de Maio
En este punto se muestran los resultados del desarrollo del Algoritmo de Maio tal y
como nos índica el Sr.Dario Maio en su publicación.
A los resultados obtenidos se les ha realizado una inspección para poder observar
errores en el seguimiento de la imagen. Normalmente los errores de seguimiento se
solucionan en el post-procesado de la imagen. Es decir, una vez realizada la extracción de
minutias se las someten a un duro filtraje. En nuestro caso, hemos clasificado los errores
encontrados en las imágenes para intentar solucionarlos durante la extracción de minutias
y no en la etapa de post-procesado, mejorando así el seguimiento y logrando que el
algoritmo tarde menos en su ejecución. Ya que no perderá tiempo en seguir zonas erróneas
y la etapa de post-procesado será más rápida.
Para una fácil compresión se muestra el resultado del seguimiento realizado por el
algoritmo en tablas. Cada tabla contiene el nombre de la imagen estudiada, la imagen
resultante del algoritmo, y en la parte derecha los errores encontrados y una ampliación de
la zona, tal y como se muestra en la tabla ejemplo siguiente:
NOMBRE DE LA IMAGEN
TIPO DE
ERROR
Hace falta recordar que el Algoritmo de Maio sólo realiza búsquedas de minutias
(terminaciones y bifurcaciones) y no formas de las huellas dactilares como deltas,
loopings, etc.
Las minutias en las imágenes del seguimiento están marcadas según su tipología, las
terminaciones están marcadas en círculos de color azul y las bifurcaciones en cicrculos de
color rojo. El seguimiento de la cresta esta marcado en color rojo y verde.
47
Desarrollo y Modificación Algoritmo de Maio
Error_A1
Error_A2
48
Desarrollo y Modificación Algoritmo de Maio
Error_A1
Error_A3
49
Desarrollo y Modificación Algoritmo de Maio
Error_A1
Error_A3
50
Desarrollo y Modificación Algoritmo de Maio
Error_A1
Error_A4
51
Desarrollo y Modificación Algoritmo de Maio
Error_A1
Error_A2
Error_A3
52
Desarrollo y Modificación Algoritmo de Maio
53
Desarrollo y Modificación Algoritmo de Maio
Este error es debido a la anchura de las crestas de la huella. Si las crestas son muy
anchas puede ser que el algoritmo empiece dos veces en la misma cresta y se encuentre con
la primera pasada y marque una o dos bifurcaciones, tal y como se muestra en el detalle
siguiente.
54
Desarrollo y Modificación Algoritmo de Maio
Este tipo de error se produce debido a la proximidad de dos crestas. Ya que si están
muy cerca y no cumplen las características del algoritmo puede ser que se produzca un
salto de cresta. Esto sólo pasa si hay una terminación muy próxima a una cresta vecina. En
lugar de marcar la terminación el programa encuentra el punto siguiente que esta en la
cresta vecina y marca una bifurcación.
55
Desarrollo y Modificación Algoritmo de Maio
Este error es debido a la calidad de la imagen, como se puede observar, este error
sólo se ha dado en la imagen Sfinge_4.tif. Esta imagen es muy oscura, con lo que el
programa empieza en puntos que no corresponden a crestas, si no a las valles de la huella
dactilares. Al empezar en estos puntos lo que nos aparecen son bifurcaciones, ya que el
programa va a buscar las crestas, y estas ya han podido ser seguidas con anterioridad.
56
Desarrollo y Modificación Algoritmo de Maio
57
Desarrollo y Modificación Algoritmo de Maio
En este caso las terminaciones están representadas con círculos de color rojo y las
bifurcaciones en color azul.
58
Desarrollo y Modificación Algoritmo de Maio
59
Desarrollo y Modificación Algoritmo de Maio
60
Desarrollo y Modificación Algoritmo de Maio
61
Desarrollo y Modificación Algoritmo de Maio
62
Desarrollo y Resultados DIGIMAC
63
Desarrollo y Resultados DIGIMAC
(b)
(a)
Figura 6.1: a)Seguimiento del algoritmo de maio sobre una imagen no filtrada. B) zona de la imagen
ampliada donde se observa la perdida de minutias.
Por último, se han realizados dos cambios en el valor de dos constantes. El Dr. Maio
en su estudio nos indica que el valor de β y ψ tiene que ser de 30º . Debido a los cambios a
realizar y sobre todo debido a la eliminación de números flotantes en el algoritmo,
utilizaremos valores de ángulos discretos. En nuestro caso, tendremos 12 valores entre 0-
180º. El mayor problema de tener el valor de 30 º, es la inexistencia de flexibilidad, ya que
por redondeo puede darse el caso que un ángulo de 16º se transforme en 30 º, y un ángulo
de 30º, dependiendo de su desplazamiento en pixels tenga que transformase en 45º. Para
solucionar este tipo de error que nos encontraríamos en la implementación hardware, se
han cambiado los valores de β y ψ a 45º y la condición de terminación y “ excessive
bending” se ha modificado de mayor a mayor o igual, ya que si se mantiene la condición
de mayor podríamos aceptar diferencias de ángulos de 52,5º , cosa que sería inaceptable.
Se ha observado que el algoritmo realiza después del cambio un mejor seguimiento ya que
reduce el número de minutias que son filtradas por el algoritmo en el seguimiento de una
cresta por características de la huella, disminuyendo así el tiempo de ejecución.
65
Desarrollo y Resultados DIGIMAC
66
Desarrollo y Resultados DIGIMAC
(a) (b)
Figura 6.2: Masrcaras Gaussianas. (a)Máscara propuesta por Maio con pesos [1/23, 2/23, 5/23,
7/23, 5/23, 2/23, 1/23], (b)Máscara propuesta en este proyecto con pesos [1, 2, 4, 8, 4, 2, 1].
67
Desarrollo y Resultados DIGIMAC
45º
30º
15º
0º
(ic,jc)
El algoritmo se ha modificado, para trabajar sólo con estos 24 valores, para ello se ha
realizado una función a la que se le pasa el ángulo calculado y devuelve uno de los 24
valores. No se ha realizado una función que calcule directamente el ángulo dentro de estos
valores, ya que la forma de calcular el ángulo es una de las modificaciones propuestas y
esta explicado en el capítulo siguiente.
Una vez realizado el cambio se ha observado que el seguimiento de la imagen es
bueno, pero a la hora de actualizar la imagen auxiliar T, necesitamos más precisión
angular. Concretamente, para realizar una actualización correcta de la imagen angular
necesitamos el doble de precisión que a la hora de realizar el seguimiento, es decir
necesitamos 48 valores discretos entre 0º-345º, lo que implica 7,5º por paso.
Esta modificación puede implementarse a través de tablas tabuladas, donde el
incremento de X e Y devuelve el valor del ángulo o donde el ángulo devuelve un
incremento de X e Y.
68
Desarrollo y Resultados DIGIMAC
69
Desarrollo y Resultados DIGIMAC
N = Número de minutias
D= Número de minutias perdidas
F= Número de minutias falsa
X= Número de minutias cambiadas de tipo
Tabla 6.1: Tabla ejemplo para la comparación entre métodos de extracción de minutias.
Al final de este apartado se puede encontrar una tabla resumen de todas las imágenes
y las conclusiones extraídas sobre el mismo. Las minutias encontradas por el ojo humano
están marcadas por cuadro rojo si se trata de bifurcaciones y por un circulo azul si se trata
de terminaciones. Las minutias encontradas por nuestro algoritmo están marcadas con un
circulo rojo si se trata de bifurcaciones , las terminaciones están marcadas con círculos de
diferente color dependiendo que tipo de terminación se trata, las terminaciones que
indican un final están marcadas con círculos verdes y las provocadas por “excessive
bending ” están marcadas con círculos de color azul.
Para ver mejor las diferencia entre la extracción realizada por el ojo humano y las
obtenidas por nuestro algoritmo, se han marcado las minutias encontradas en nuestro
algoritmo con cuadrados de diferentes colores las minutias falsas o cambiadas de tipo, las
minutias perdidas se han marcado con una X de color lila. En la tabla siguiente se puede
encontrar una tabla donde se muestra el código de colores utilizado.
70
Desarrollo y Resultados DIGIMAC
71
Desarrollo y Resultados DIGIMAC
72
Desarrollo y Resultados DIGIMAC
Nº ALGORITMO DIGIMAC
IMAGEN
MINUTIAS N D F X
1 44 46 0 2 14
73
Desarrollo y Resultados DIGIMAC
ALGORITMO DIGIMAC
IMAGEN Nº MINUTIAS
N D F X
2 31 34 1 4 13
74
Desarrollo y Resultados DIGIMAC
ALGORITMO DIGIMAC
IMAGEN Nº MINUTIAS
N D F X
3+2fuera
3 28 35 12 5
zona
75
Desarrollo y Resultados DIGIMAC
ALGORITMO DIGIMAC
IMAGEN Nº MINUTIAS
N D F X
1 fuera
5 21 31 11 6
zona
76
Desarrollo y Resultados DIGIMAC
Nº ALGORITMO DIGIMAC
IMAGEN
MINUTIAS N D F X
1 44 46 0 2 14
2 31 34 1 4 13
3+2fuera
3 28 35 12 5
zona
1 fuera
5 21 31 11 6
zona
N = Número de minutias D= Número de minutias perdidas
F= Número de minutias falsa X= Número de minutias cambiadas de tipo
Se puede observar que nuestro algoritmo no pierde una cantidad muy grande de
minutias y esto nos confirma en nuestra línea de investigación. Desde otro punto de vista,
la confirmación de tener un número tan elevado de cambios de minutia es un poco
preocupante, este problema no es único en este sistema ya que muchas veces hasta el ojo
humano tiene problemas para diferenciar entre una bifurcación y una terminación. Estas
palabras nos hicieron observar que la discriminación entre una bifurcación y una
terminación muchas veces reside en la resolución con la que miremos la imagen. El ojo
humano es capaz de cambiar la resolución con la que mira automáticamente y esto le hace
capaz de discriminar entre tipos en muchas ocasiones. Nuestro algoritmo esta realizando la
búsqueda de minutias a la resolución de pixels y esto provoca que la existencia de ruido
cerca de una terminación pueda ser confundida con la existencia de una bifurcación tal y
como se muestra en la figura 5.12 .
B
A
Figura 6.12: (A) Sección de la imagen 1.tiff donde se aprecia una minutia tipo terminación.
(B) Sección de la misma imagen con un aumento x10.
77
Desarrollo y Resultados DIGIMAC
78
Desarrollo y Resultados DIGIMAC
79
Desarrollo y Resultados DIGIMAC
80
Desarrollo y Resultados DIGIMAC
81
Desarrollo y Resultados DIGIMAC
82
Desarrollo y Resultados DIGIMAC
83
Desarrollo y Resultados DIGIMAC
84
Desarrollo y Resultados DIGIMAC
85
Desarrollo y Resultados DIGIMAC
86
Desarrollo y Resultados DIGIMAC
Nº ALGORITMODIGIMAC PROGRAMACOMERCIAL
IMAGEN MINUTIAS (FingerCell)
N D F X N D F X
1 44 46 0 2 14 37 7 0 --
2 31 34 1 4 13 27 4 0 --
3+2fuera
3 28 35 12 5 20 9 1
zona --
5 21 31 1 fuera zona 11 6 21 5 5 --
N=nºminutias D=nºdeminutias perdidas F=nºdeminutias falsas X=nºminutias cabiadas de tipo
Una vez obtenidos todos los datos necesario hay que mencionar que el
comportamiento de nuestro algoritmo es más que aceptable, ya que en número de minutias
perdidas es menor que en el programa comercial. El número de minutias cambiadas de tipo
no puede ser comparado ya que el programa comercial sólo nos muestra las minutias sin
hacer distinción entre el tipo de las mismas. Por otra parte hay que mencionar que el
número de minutias falsas en mucho menor en el programa comercial. Esto es debido
principalmente al tipo de filtrado utilizado por el programa comercial, también hay que
mencionar que el programa comercial realiza una segmentación de la imagen y esto le
permite eliminar partes de la imagen con mucho ruido o que la dirección de las crestas se
muy variable. Las zonas de la imagen que contienes estas características es donde nuestro
algoritmo tiene muchas más dificultades realizar un buen seguimiento y donde aparecen el
mayor número de minutias falsas en nuestro sistema. En este proyecto no se plantea
realizar ninguno de estos cambios como podría ser la segmentación de la imagen según el
nivel de ruido o cambios de dirección y cambiar la forma de filtraje, pero se proponen
como posibles líneas de investigación.
87
Desarrollo y Resultados DIGIMAC
88
Desarrollo y Resultados DIGIMAC
89
Desarrollo y Resultados DIGIMAC
Este Error esta producido por el ruido en la imagen real y por el nivel de negro de la
sección. El código actualmente busca un máximo en una sección de Sigma+1 como punto
de inicio y además tiene un filtro de negro de una tonalidad de 130. Esta parte del código
lo que hace es que no empiece en un punto céntrico, si no que se vaya hacia alguna de las
dos crestas principales más próximas. Todo y con eso, es posible que encuentre un punto
que caiga dentro del tramo, tal y como se muestra en la figura, pero a la hora de evaluar un
punto no es aceptado por su nivel de negro.
SOLUCIÓN: La solución propuesta para evitar el error, o para que encuentre las
minutias es cambiar la forma de buscar el punto inicial y bajar el filtro de nivel de negro.
Seguramente sólo con cambiar la forma de buscar el punto inicial ya habría suficiente, pero
las razones de bajar el filtro son mucho mayores. Ya que por lo que se ha podido observar
las imágenes filtradas tienen un nivel superior de negro (son más oscuras) y las huellas
reales son más claras. Tener un filtro de negro un poco más bajo nos podría ayudar a
realizar un seguimiento de la huella más exacto.
90
Desarrollo y Resultados DIGIMAC
Una vez realizados los cambios indicados en la solución del Error_1, obtenemos el
siguiente resultado:
91
Desarrollo y Resultados DIGIMAC
ERROR_2: Pero por otra parte, podemos observar que ha aparecido un nuevo error
a la hora de hacer el seguimiento tal y como se puede observar en la tabla siguiente, donde
se muestra la zona ampliada del nuevo error.
ERROR_2
92
Desarrollo y Resultados DIGIMAC
93
Desarrollo y Resultados DIGIMAC
94
Desarrollo y Resultados DIGIMAC
Esto provoca que haya errores en el ángulo medio dependiendo en que cuadrante se
este trabajando y la forma de calcular los ángulos.
Por ejemplo, si queremos calcular la media entre un ángulo de 45º y uno de –45º, si
aplicamos la fórmula nos da que el ángulo medio es igual a 0. Que es totalmente correcto.
Pero si hacemos la media entre 45º y 315º nos da que el ángulo medio es de 180º.
Matemáticamente hablando el resultado es correcto, pero no lo es en nuestro caso, ya que
hacer este cálculo nos provocaría un cambio de dirección de 180º, es decir un retroceso en
el seguimiento.
Por otra parte si realizamos la media entre 145º y –145º la media nos daría 0. Un
resultado totalmente falso en nuestro caso que nos provocaría un cambio de dirección
totalmente opuesto al que estábamos siguiendo.
En cambio si hacemos la media entre 145º y 215º obtenemos que es de 180 grados
resultado correcto.
95
Desarrollo y Resultados DIGIMAC
2.- En este segundo cambio se ha optado por elegir la media que de menor diferencia
entre la misma y el primer ángulo guardado. También se podría haber dejado es código
como el anterior y bajar el umbral de PI/2. Esta opción no se ha llevado acabo ya que se
desconoce cual tendría que ser ese nuevo umbral y si sería válido para todos los puntos.
Imagen del seguimiento realizado una vez se han realizado las modificaciones del
ERROR_3:
96
Desarrollo y Resultados DIGIMAC
97
Desarrollo y Resultados DIGIMAC
98
Modificación Cálculo Dirección
99
Modificación Cálculo Dirección
1 2 1
-1 -2 -1
1 -1
2 -2
1 -1
for j=1:n
for k=1:n
f3=f3+2*Gx(j,k)*Gy(j,k)
f4=f4+((Gx(j,k)2)-(Gy(j,k)2))
end
end
atan2(f3,f4);
100
Modificación Cálculo Dirección
10 9 8 7 6 5 4
8 6 3
11 10 9 7 5 4
11 3
12 12 2 2
1 1 C 1 1
2 2 12 12
3 11
3 4 5 9 10 11
6 7 8
4 5 6 7 8 9 10
Este método en principio es muy rápido y con una necesidad de cálculo muy bajas
comparado con el método utilizado actualmente, ya que sólo hay que sumar los pixels que
indican la misma dirección para todos los casos y compararlas, la suma de mayor valor
indica el ángulo en el punto.
101
Modificación Cálculo Dirección
102
Modificación Cálculo Dirección
103
Modificación Cálculo Dirección
104
Modificación Cálculo Dirección
105
Modificación Cálculo Dirección
106
Modificación Cálculo Dirección
107
Modificación Cálculo Dirección
7.3.2 Conclusiones
Una vez obtenidos los resultados de los métodos propuestos RAO y SLITS, y el
método utilizado por MAIO, se puede observa tal y como se muestra en la imagen
siguiente, que los resultados obtenidos por MAIO y RAO son comparables en calidad,
aunque en algunas huellas parece que los resultados puedan ser peores, en realidad el
seguimiento realizado por el método de RAO es mucho más preciso y también esta más
influido que el de MAIO por el ruido en las huellas.
108
Modificación Cálculo Dirección
A B
Figura 7.16: A) Muestra de la imagen original. B) Muestra del
seguimiento del Método de RAO.
Una vez analizado todos los pros y contra de los métodos de Maio y Rao, se ha visto
que la aplicación del método de RAO realiza un seguimiento más exhaustivo de las crestas
y que la extracción de minutias sea correcta. La implementación hardware del método de
RAO se más fácil y eficiente que el método utilizado por MAIO, aunque se tenga que
mejorar el post-procesado de la imagen cosa que también habría que hacer si se implantara
el método utilizado por MAIO.
Con respecto al método de SLITS, se ha comprobado que realmente es el método
más rápido y con menos necesidades de los tres estudiados y esto lo hace realmente
atractivo, aunque se observa en los resultados que tiene muchos problemas al realizar un
seguimiento correcto debido al ruido y al poco contraste en las imágenes. Estos resultados
haces pensar que este método es muy fácil de implementar pero los resultados obtenidos
son muy malos en imágenes de baja calidad y necesitaría la aplicación de algunos métodos
correctores que podrían hacer muy difícil su aplicación o aumentaría sus necesidades
haciéndolo inviable.
Teniendo en cuenta que los resultados se han obtenido a través de imágenes de
huellas reales se ha querido comparar como funcionaría este método con imágenes de
mayor calidad, para ello se le ha aplicado el algoritmo a una imagen filtrada para ver el
comportamiento de SLITS con este tipo de imágenes tal y como se muestra en la imagen
siguiente:
109
Modificación Cálculo Dirección
- La sustitución del método utilizado por MAIO por el de RAO es factible, cosa
que nos permitiría bajar la necesidad de cálculo del sistema, al poder eliminar la
raíz cuadrada del método utilizado por MAIO.
- La utilización de SLITS sólo es aceptable si la adquisición de huellas dactilares
es de alta calidad.
110
Conclusiones
8 Conclusiones
En este capítulo se muestran las conclusiones extraídas del proyecto una vez
observados y estudiados todos los cambios propuestos.
Como se ha podido apreciar en el proyecto, los resultados propuestos se pueden
aplicar sin ningún problema en imágenes de huellas dactilares de alta calidad, aunque se
tendrían que mejorar o tomar en consideración nuevas vías de trabajo como mejorar el
filtrado de las minutias en el post-procesado para mejorar los resultados obtenidos en el
estudio en imágenes de menor calidad.
La finalidad de este proyecto era demostrar que era posible realizar cambios en el
algoritmo para mejorar el tiempo de respuesta y bajar la necesidad de cálculo del mismo de
cara a una implementación hardware de partes del mismo. Este aspecto abriría el campo de
actuación de estos sistemas, ya que lo haría más barato y como consecuencia más utilizado
en ámbitos más diversos.
Hay que puntualizar que el sistema propuesto tiene como finalidad la
implementación de un sistema biométrico basado en huellas dactilares para la utilización
en la identificación de individuos como substituto del password o PIN tal y como se utiliza
hoy en día. Teniendo en cuenta este aspecto, se puede decir que los resultados obtenidos
son plenamente satisfactorios, ya que los sensores que se pueden utilizar en este tipo de
sistemas son mayoritariamente de alta calidad y los resultados que se muestran en este
proyecto nos muestran que se podría realizar una identificación sin ningún tipo de
problema.
Si el fin del sistema propuesto fuera la utilización para la identificación biométrica
para la identificación o investigación policial a partir de huellas dactilares, habría que
concluir que este sistema no es del todo apropiado, ya que las huellas extraídas
normalmente son de muy baja calidad y se podrían obtener resultados no muy buenos que
necesiten de la supervisión de una persona experta ya que realizar una identificación
automática no sería concluyente por el número de minutias falsas que nos aparecen, pero
todo y con eso, el sistema podría facilitar la tarea a realizar en un primer momento, ya que
nos mostraría todas las minutias encontradas y el experto tendría que discriminar entre las
minutias, para elegir las que sean de mayor interés para realizar la identificación.
El sistema propuesto es apto para realizar una identificación automática de huellas
dactilares como contraseña o llave, y que para utilizar el sistema para la identificación
policial dentro de una investigación, nos servía de ayuda para extraer las minutias, pero
tendría que ser del todo necesaria la participación de un experto para autentificar los
resultados obtenidos.
111
Conclusiones
112
Futuras Líneas de Investigación
Una línea de investigación a seguir podría ser utilizar la imagen negada de la huella
dactilar a explorar, ya que las minutias encontradas en esta imagen serían las
complementarias a las encontradas en la imagen original es decir, las terminaciones en la
imagen original son bifurcaciones en la imagen negativa y al revés. Este doble estudio nos
permitiría aumentar el grado de seguridad en la extracción y también nos permitiría filtrar
muchas minutias falsas, ya que sólo se aceptarías las minutias que coincidan en las dos
imágenes, entendiendo como coincidencia en que la imagen original sean terminaciones y
en la imagen negativa sean bifurcaciones y que las bifurcaciones en la original sean
terminaciones.
113
Futuras Líneas de Investigación
9.4 Segmentación
(a) (b)
Figura 9.1: Imagen original con zonas con poco contraste (a) y el resultado obtenido (b).
Se puede observar que el seguimiento en general es bastante bueno, pero hay una
zona concreta donde el algoritmo encuentra un número elevado de minutias falsas como es
la zona inferior izquierda de la imagen. Se puede observar que la misma zona en la imagen
original a simple vista no se puede extraer ningún tipo de información, ya que es una zona
con mucho ruido y poco contraste entre crestas y valles. Si se realizara la segmentación,
esta parte de la imagen podría ser suprimida o excluida como zona a explorar a la hora de
realizar el seguimiento, consiguiendo así un resultado más adecuado y que permite una
identificación apropiada y correcta.
114
Futuras Líneas de Investigación
9.5 Preestimación
115
Futuras Líneas de Investigación
116
Referencias y Bibliografía
10 Referencias y Bibliografía
[1] Dario Maio and Davide Maltoni, “Direct Gray-Scale Minutiae Detection in
Fingerprints”, IEE transactions on pattern analysis and machine
intelligence, january 1997, vol.19, no.1, 27-39.
[2] M.J. Donahue and S.I. Rokhlin, “On the Use of Level Curves in Image
Analysis”, Image Undesrtanding, 1993, vol.57, no.5, 185-203.
[3] Davide Maltoni ,Dario Maio, Anil K.Jain and Salil Prabhakar, “Handbook
of Fingerprint Recognition”, Springer, 2003.
[4] Samir Nanavati, Michel Thieme and Raj Nanavati, “Biometrics Identity
Verification in a Networked World A Wiley Teach Brief”, Jhon Wiley &
Son Inc., 2002.
[5] Anil K. Jain, Ruud Bolle and Sharath Pankanti, “Biometrics. Personal
Identification in Networked Society”, Kluwer Academic Publichers, 1999.
[6] L.C. Jain, U. Halici, I. Hayashi, S.B. Lee and S. Tsutsi, “Intelligent
Biometric Techniques in Fingerprint and Face Recognition”, CRC Press
LLC, 1999.
[7] Bruno Struif, Dirk Scheuermann and Robert Müller, “TB1-BioNorm. Need
for Specifications and Standardisation to Archive Interoperability in the
Field of Smart Cards and Biometrics”,23.10.2002.
117