1

Reconocimiento de patrones aplicado a imgenes de

huellas digitales
J. Gallegos, D. Merino. J. Peafiel
Escuela de las Fuerzas Armadas ESPE
Departamento de Elctrica y Electrnica

Resumen En el presente trabajo se realizar el

reconocimiento de personas considerando los
patrones en las imgenes de sus huellas digitales,
ms no por la extraccin de sus caractersticas
(minucias). Para este propsito se emplear el
mtodo de la correlacin y se intentar mejorar el
rendimiento del mismo, disminuyendo las falsas
aceptaciones y falsos rechazos propios de este
mtodo. Esta investigacin se la realizar con el
entorno de desarrollo MATLAB para una mejor
interaccin y mejor visualizacin de los resultados
obtenidos
Palabras Clave: patrones, minucias, correlacin,
falsas aceptaciones, falsos rechazos.

I.

INTRODUCCIN

La biometra es el estudio de mtodos automticos

para el reconocimiento de humanos basados en uno o
ms rasgos conductuales o rasgos fsicos intrnsecos

II.
ANTECEDENTES
Como hemos mencionado esta investigacin se la
realiza basado en el mtodo de la correlacin, que
siendo probado antes de empezar
nuestras
implementaciones, nos dio un rendimiento mostrado
en la Tabla.1. Donde cmo podemos observar su
rendimiento para imgenes con rasgos finos disminuye
en un 50% aproximadamente.

Rendimiento
mtodo correlacin

Imgenes
rasgos finos

85 %

40%

con

Tabla.1. Rendimiento del mtodo de correlacin

Mientras que el porcentaje de falsas aceptaciones y

falsos rechazos aumenta en ms del doble como
podemos comprobar en la Tabla 2.

Imgenes
con
rasgos simples

[1]

La firma, la forma de caminar, el tipo de letra son

entre otros los rasgos conductuales propios de cada
persona mientras que los patrones faciales, las huellas
dactilares, la retina son ejemplos de caractersticas
fsicas nicas utilizados en la biometra.
En la presente investigacin realizaremos la
identificacin de personas mediante las imgenes de
sus huellas dactilares obtenidas mediante un scanner
comn utilizando un mtodo llamado correlaciones,
que es efectivo para detectar patrones demasiado
marcados o gruesos, pero su efectividad disminuye
enormemente cuando se trata de detectar rasgos
sumamente finos como son las lneas que se forman en
las yemas de nuestros dedos, por este motivo nuestro
reto
principal
consistir
en
aumentar
considerablemente la efectividad del mtodo a usarse,
para lo cual nos valdremos de las herramientas que nos
proporciona matlab como son la transformada de
Fourier, filtros digitales y eliminacin de ruidos.

Imgenes
con
rasgos simples

Falsas
aceptaciones
Falsos rechazos

Imgenes
rasgos finos

40%
25%

con

80%
60%

Tabla.2. Falsas aceptaciones y falsos rechazos.

II.A

HUELLAS DACTILARES

Dado que las huellas digitales no se repiten ni siquiera

entre los dedos de una misma mano y la distancia entre
las lneas (crestas) no superan el medio milmetro, es
comn utilizar escneres especiales (trmicos.
infrarrojos. presin) para un reconocimiento ptimo de
la identidad de la persona.Al no contar con dichos
equipos, se ha optado por la utilizacin de escneres
simples que los encontramos comnmente en casas y
oficinas por lo cual tendremos que considerar a una
huella digital como una imagen con rasgos sumamente
finos y en ciertos casos no tan claros como

desearamos, teniendo como nicaopcinrecurrir al

procesamiento digital de seales.
II.B

PROCESAMIENTO DIGITAL

Para obtener las imgenes de las huellas se recurri a

la tcnica antigua de untarse el dedo con tinta y
posarlo sobre una hoja de papel y posteriormente
escanear estas hojas con la huella con una impresora
multifuncin marca EPSON, este mtodo al ser muy
rustico nos entrega imgenes que no son ntidas ni
definidas al 100%, para esto se debe recurrir al
procesamiento digital de las imgenes, es decir
aplicarlas filtros, mejorar contraste, nitidez, eliminar
ruido y cualquier proceso que consideremos necesario
realizar a nuestras imgenes para lograr los resultados
deseados.
III.

Fig.1. Imagen Original (izq.) e Imagen aplicada escala de grises

(der.)

III.A

FILTROS

DESARROLLO

Para esta investigacin realizamos una base de datos

pequea con las huellas de 15 personas distintas y de
cada una se tomo 3 veces la misma huella para poder
realizar depuraciones y training.La huellas que se
tomaron fueron de personas de la ciudad y sus edades
varan entre los 18 y 60 aos como se muestra en la
siguiente tabla.
edad Nmero de personas
5
18-30
3
30-40
4
40-50
3
50-60

Despus de la adquisicin de la imagen se realizaron

varios procesos, considerando que al leer una imagen
obtendremos una matriz tridimensional (la cual
describe la tecnologa de colores RGB) el primer paso
a realizar es transformar la imagen a escala de grises
para evitar trabajar a 3 dimensiones y solo hacerlo a
dos para esto matlab nos facilita la funcin rgb2gray.
Como podemos observar en la.fig.1 al realizar el
cambio a escala de grises la nicainformacin que
perdemos el color, que no influye en la deteccin de
patrones que realizaremos.

Una imagen puede ser definida como una funcin de

2 dimensiones f(x,y) donde x y y son coordenadas en
elplano y f una amplitud de cualquier par de
coordenadas (x , y) llamada intensidad de imagen en el
punto. El termino niveles de grises es usado para
referir la intensidad monocromtica de las imgenes y
las imgenes a color son formados por una
combinacin individual de imgenes 2-D, por ejemplo
en el sistema de color RGB un color consiste en tres
componentes individuales de una imagen que son (red,
green, blue) rojo, verde y azul respectivamente. Por
esta razn muchas tcnicas de desarrollo para
imgenes monocromticas pueden ser extendidas para
el procesamiento de imgenes a color [2]
En nuestro caso vamos a ocupar los filtros primero
para convertir la imagen en una matriz bidimensional
y posteriormente para la eliminacin de pixeles
innecesarios y que puedan causar fallos en el sistema
de reconocimiento de imgenes.
Para esta investigacin en especfico usamos dos tipos
de filtros, los lineales y filtros no lineales.

III.A . I

FILTROS LINEALES

Este tipo de filtros se realiza una operacin

deconvolucin entre la imagen a ser filtrada y una
mscara. El principal inconveniente de estas tcnicas
es el enturbiamiento que se produce en la imagen,
provocando el difuminado de los bordes, por lo que
tienen que ser utilizados con cierta precaucin. [3]
La herramienta matlab ya nos proporciona los las
funciones necesarias para aplicar este tipo de filtros,
los podemos generar con el siguiente cdigo:

3
fn=imnoise(imag,'average');
h1=fspecial('average');
media1=imfilter(fn,h1);
%Representaciones de las imgenes
subplot(1,2,1),subimage(imag),title('Imagen original');
subplot(1,2,1),subimage(media1),title('Filtro lineal');

De similar manera que en los filtros lineales el

tipo'average'no es el nico tipo de filtro que podemos
utilizar, existen adems los tipos gaussian, disk,
laplaccian, salt&pepper, log, motion, prewitt,
sobel, unsharp cada uno con diferente funcin y

propsito segn nuestros requerimientos

Cabe recalcar que el tipo'average' no es el nico tipo

de filtro que podemos utilizar, existen adems el tipo
gaussian, localvar, poisson, salt&pepper,
speckle cada uno con diferente funcin y propsito
segn nuestros requerimientos.

Fig.5. Imagen aplicada un Filtro a la mediana.

Como podemos verificar en la fig.4 la imagen filtrada

ya aclara el rea de trabajo eliminando pixeles que
disminuyan el rendimiento del mtodo a utilizar

Fig.4. Imagen Aplicada filtro lineal

III.A . II FILTROS NO LINEALES. FILTRO DE LA

MEDIANA

Los pxeles de la nueva imagen se generan

calculando la mediana del conjunto de pxeles del
entorno de vecindad del pxel correspondiente a la
imagen origen. De esta forma se homogeneizan los
pxeles de intensidad muy diferente con respecto a la
de los vecinos. Este tipo de filtro es bastante indicado
cuando se tiene ruido aleatorio [4]
fs = imnoise(nom,'salt&pepper',0.1)
h1=fspecial('average');
mediana2=medfilt2(fs);
%Representaciones de las imgenes
subplot(1,2,1),subimage(nom),title('Imagen original');
subplot(1,2,2),subimage(mediana2),title('Filtromediana');

III.BFFT (FAST FOURIER TRANSFORM)

La transformada rpida de Fourier se han descrito

como "el algoritmo numrico ms importante de
nuestra vida". Una transformada de Fourier convierte
el tiempo a la frecuencia y viceversa, y una FFT es un
algoritmo de ordenador utilizado para calcular
rpidamente tales transformaciones. Como resultado
de ello, las transformaciones rpidas de Fourier son
ampliamente utilizados en muchas aplicaciones en la
ingeniera[5]
En este caso hemos utilizado la FFT para pasar la
imagen en escala de grises al dominio espectral para
tener una matriz con la cul podamos trabajar de una
manera ms sencilla.
III.C CORRELACIN

Con la correlacin se trata de encontrar todos los

lugares en una imagen que aparece una subimagen. De
forma similar a la convolucin, la correlacin espacial
se puede conseguir a travs de la multiplicacin de la
transformada de Fourier de la imagen por la
transformada conjugada de la subimagen. [6]
Hemos utilizado la correlacin para obtener una
relacin entre las matrices (imgenes), siendo este
valor entre 0 y 1, idealmente el 1 representar que la
imagen es la misma y el 0 que la imagen es distinta a
la comparada, pero como la huella se ha colocado en
distintas posiciones, la correlacin no dar
exactamente los valores ideales por lo cual depender
del programador el valor a partir del que se
considerar ser la misma imagen o rechazarla como
distinta.

FALSAS ACEPTACIONES Y FALSOS

RECHAZOS

IV.

El rendimiento de una medida biomtrica se define

generalmente en trminos de tasa de falso positivo
(False AcceptanceRate o FAR) y la tasa de falso
negativo
(False
NonMatchRate o
FNMR,
tambin False RejectionRate o FRR) [7]
En esta investigacin como el mtodo de correlacin
nos entrega un nmero entre 0 y 1, se opto por tomar
como falsos rechazos el valor resultante absoluto
restado 1de comparar la misma huella en diferente
posicin. Mientras que, las falsas aceptaciones como
el valor absoluto al comparar dos huellas distintas.
Definiendo el rendimiento en trminos de las falsas
aceptaciones y rechazos de la siguiente manera.
[

V.

)]

ANLISIS DE RESULTADOS

Con la ejecucin de nuestro programa se logr

determinar los promedios de falsas aceptaciones y
falsos rechazos obtenidos, como se muestra en la
Tabla 3, los valores no son tan homogneos y
similares como se deseara, dando una taza de error
muy considerable, corroborando que la eficiencia del
mtodo no es la ms adecuada para un sistema de
verificacin de huellas.
Imgenes de
huellas
aplicadas a:
Persona 1
Persona 2
Persona 3
Persona 4
Persona 5
Persona 6
Persona 7
Persona 8
Persona 9
Persona 10
Persona 11
Persona 12
Persona 13
Persona 14
Persona 15

Promedio
Falsas
Aceptaciones
(%)
38,5
46,5
38,1
40,3
42,6
47,7
33,6
36,7
38,6
36,5
38,8
40,2
41,2
42,6
40,1

Promedio
Falsos
rechazos
(%)
35,3
32,6
36,7
32,6
39,9
41,2
32,2
35,1
33,3
32,8
33,4
30,2
37,6
36,7
34,9

Tabla.3. Promedios de falsas aceptaciones y falsos errores al

haber mejorado el mtodo de la correlacin.

La salida del sistema es una probabilidad de que

lamuestra es un caso del objetivo o la informacin
deseada. La probabilidad es usada para generar la
curva de funcionamiento mostrando el rango de
operacin posible. Se supone que la distribucin de
probabilidad para objetivos y no objetivos son ambas
normalmente distribuidas con sus medias 0 y 1
respectivamente y de igual varianza [8]

Edad
(aos)

PromedioFalsasAceptaciones
(%)

PromedioFalsosrechazos
(%)

18-30

28.54

35,42

30-40

39,33

36,17

40-50

38,53

32,43

50-60

41,30

36,40

Tabla.4. Promedios de falsas aceptaciones y falsos rechazos por

edad

En la tabla 4 se muestra el promedio de falsas

aceptaciones y falsos rechazos de las huellas tomadas
a 15 personas, pero distribuidas por edad de esta
manera se puede dar cuenta que en los jvenes entre
18-30 aos que es la poblacin ms productiva, hay
un menor error de aceptacin, y que en las personas
mayores en las que su edad vara entre 50 y 60 aos
hay un mayor error de falsas aceptaciones debido a
que dos de las tres personas que se tom la muestra a
pesar de vivir en la ciudad han realizado trabajos duros
a lo largo de su vida como albailera.
Con los resultados obtenidos en la tabla 3 hemos
realizados la curva de compensacin del Error de
Deteccin (DET), visualizando dicha curva en la
figura
1
0.8
0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 6.Curva DET del sistema de reconocimiento de patrones
aplicado a imgenes de huellas digitales.

VI.

CONCLUSIONES

El mtodo de la correlacin tiene una relacin

directamente proporcional a la calidad y nitidez de las
imgenes a ser comparadas.
Este mtodo compensa su inexactitud con el ahorro de
coste computacional al generar las comparaciones.
Para un sistema confiable debemos obligatoriamente
involucrar la deteccin de las minucias en las huellas
digitales.

Fig. 7. Curva DETde ejemplo

VII.

Comparando la curva DET de nuestro proyecto con la

curva de la fig 7. Se puede decir que el sistema que
hemos empleado para realizar el reconocimiento de
huellas no es el ms ptimo, estara dentro del rango
de regular, ya que la curva tiende a ser una lnea.
Con la obtencin de los falsos rechazos y falsas
aceptaciones se fue analizando el rendimiento del
mtodo en cada etapa del procesamiento de la imagen,
es as como en la Tabla 4 se puede visualizar la
efectividad de la comparacin de correlacin
aplicando nicamente un filtro lineal, posteriormente
al aplicar solo un filtro a l mediana y por ltimo la
eficiencia del mtodo utilizando ambos filtros
combinados.

Falsas
aceptaciones
Falsos rechazos
Rendimiento

Aplicando
filtros lineales

Aplicando
filtros a la
mediana

Aplicando
ambos
filtros

45%
42%
55.5%

41%
39%
60%

40%
35%
62.5%

Tabla.3. Anlisis del rendimiento del mtodo por etapas.

Como ha quedado en evidencia el mtodo de la

correlacin no resulta ser tan exacto ni confiable al
momento de determinar la identidad de una persona,
por lo cul no sera conveniente utilizarlo para
sistemas que requieran una fiabilidad muy alta como
sistemas financieros, pero si podra ser usado en
sistemas que no necesiten ser tan precisos, ya que se
podra ahorrar costo computacional con el este
mtodo.

RECOMENDACIONES

Trabajar con versiones estables de matlab y comprobar

que las funciones a utilizar se encuentren en su versin
de matlab
Al realizar la implementacin del programa en matlab
ir verificando el funcionamiento de los filtros por
separado ya que si lo hacemos en el programa
principal con la correlacin, perderemos mucho
tiempo porque al realizar la correlacin matlab se
demora un tiempo considerable
Al aplicar los filtros es mejor hacerlo a imgenes
previamente convertidas a escala de grises para lograr
un mejor filtro.

VIII.

TRABAJO A FUTURO

Se pretende recolectar un mayor nmero de huellas y

de esta manera obtener una base de datos de 100
individuos mnimo entre personas de la ciudad y del
campo siendo nuestro principal objetivo las personas
jvenes entre 18 y 30 aos ya que son la poblacin
ms productiva y por ende la que ms se necesitara
identificarlas mediante sus huellas. De igual manera
realizar una mayor investigacin y tratar de mejorar
este mtodo de identificacin de huellas y hacerlo ms
eficiente.

6
IX.

REFERENCIAS

[1] http://es.wikipedia.org/wiki/Biometr%C3%ADa
extrado el 11/12/2013 a las 17:27
[2] Guardado Medina Ramn Osvaldo, Ph.D. DESARROLLO
DE
UNA
APLICACIN
PARA
EL
PROCESAMIENTO DE IMGENES BIOMDICAS ,
Instituto Tecnolgico superior de El Grullo, El Grullo,
Venezuela, 2009, pg. 2
[3] Departamento de Ingeniera electrnica, REDUCCIN DEL
RUIDO EN UNA IMAGEN DIGITAL, Universidad de
Jan, Espaa, 2006, pg.2.
[4] Departamento de Ingeniera electrnica, REDUCCIN DEL
RUIDO EN UNA IMAGEN DIGITAL, Universidad de
Jan, Espaa, 2006, pg.5.

[5] HanspeterSchmid, HOW TO USE THE FFT AND

MATLABS PWELCH FUNCTION FOR SIGNAL
AND NOISE SIMULATIONS AND
MEASUREMENTS, University of Applied Sciences
Northwestern Switzerland Scohol of Engineering,
Suecia, Agosto 2012, pg.3.

[6] Tejedor Redondo Rafael, PROYECTO DE FIN DE

CARRERA- DESARROLLO DE ALGORITMOS DE
OPTIMIZACIN VISUAL EN IMGENES
MDICAS, Universidad Politcnica de Madrid
Escuela Superior de Ingenieros de Telecomunicacin,
Espaa, Junio 2002. Pg.22.
[7]http://es.wikipedia.org/wiki/Biometr%C3%ADa, extrado el
11/12/2013 a las 17:27
[8] Snchez Santiago, Ing. Electricista, EVALUACIN DE
ALGORITMOS DE DETECCIN DE COMPLEJOS
QRS
MEDIANTE
LAS
CURVAS
DE
FUNCIONAMIENTO ROC, DET, EPC, Universidad
tecnolgica de Pereira, Colombia, 2007, pg. 47.
[9] Gonzlez M. D (2006). Comparacin de filtros FIR de fase
lineal por Mtodo ptimo y de Ventanas. Disponible
en
http://ewh.ieee.org/sb/argentina/comahue/ed2/trabajos.
html
[10] Oppenheim (1999), Signal processing digital .2nd ed.
Paarmann, Larry D (2003).Design and analysis of analog
filters.
A
Signal
ProcessingPerspective.
Kluweracademicpublishers
[11] Proakis (2007). Signal processing digital . 4th ed.