Está en la página 1de 4

Universidad Mayor de San Marcos

Julinho Víctor Vásquez Ayala

27 de Septiembre del 2017

Autores: Nalini K. Ratha, Kalle Karu, Shaoyun Chen, y Ani1 K. Jain

Un sistema de coincidencia en tiempo real para bases de datos de


huellas digitales grandes

Volumen 18

ESTUDIO DE ARTE DEL AUTOR

El autor espera que el sistema multimedia maneje eficientemente varios tipos


de datos como texto, imagen, audio y video. La tecnología de base de datos
actual puede gestionar fácilmente los datos alfa- numéricos. Sin embargo, las
técnicas utilizadas en las bases de datos convencionales orientadas a texto no
pueden manejar las restricciones de imágenes basadas en el contenido. Un
enfoque obvio para la recuperación basada en el contenido basado en la
anotación estática de imágenes por texto, seguido por los métodos de base de
datos disponibles tiene un uso limitado. El principal inconveniente de este
método es que la descripción de la escena puede ser diferente en momentos
diferentes para la misma imagen dependiendo del contexto de la consulta. En
segundo lugar, para las grandes bases de datos, anotar cada imagen puede
ser una tarea que consume mucho tiempo. Los investigadores en el pasado
habían mostrado un interés sustancial en las bases de datos pictóricas. Pero el
hardware prevaleciente en ese momento planteaba serias limitaciones. Con los
recientes avances en la tecnología de hardware, las bases de datos no
textuales están recibiendo más atención. Para los datos textuales, los
problemas de representación y recuperación se han tratado extensamente.
MOTIVACION DEL AUTOR

Los autores se dan cuenta que con el actual crecimiento rápido en tecnología
multimedia, existe una inminente necesidad de técnicos eficientes para buscar
y consultar bases de datos de imágenes grandes. Debido a sus necesidades
únicas y peculiares, las bases de datos de imágenes no pueden tratarse de
manera similar a otros tipos de bibliotecas digitales. Las dependencias
contextuales presentes en las imágenes y la naturaleza compleja de los datos
de imagen bidimensionales hacen que los problemas de representación sean
más difíciles para las bases de datos de imágenes. Una representación
invariable de una imagen sigue siendo un problema de investigación abierto.
Por estas razones, es difícil encontrar una técnica universal de recuperación
basada en contenido. Los enfoques actuales basados en la forma, la textura y
el color para la indexación de bases de datos de imágenes han tenido un éxito
limitado. Además, estas técnicas no han sido adecuadamente probadas en
presencia de ruido y distorsiones; es por ello que deciden establecer un método
más factible, tomando como base otros métodos ya existentes.

DESCRIPCION DEL APORTE DEL AUTOR

En este trabajo, se presenta un método de indexación de bases de datos de


imágenes digitales de gran tamaño. En el cual los autores dividen en las
siguientes partes:
1. Correspondientes
La coincidencia de huellas dactilares es una de las técnicas más utilizadas
en identificación personal automática. Por ello las agencias de aplicación a
la ley lo usan rutinariamente para la identificación de un criminal. La razón
principal de la popularidad de las huellas dactilares como método de
identificación es que la huella dactilar de una persona es única.

2. Extracción de la característica
Una característica muy importante para reducir el espacio de búsqueda
durante una coincidencia es la clase de patrón de una huella digital. Las
huellas dactilares se clasifican en cinco categorías principales: arco, arco de
tiendas de campaña, lazo izquierdo, lazo derecho y espiral. La clase de
patrón puede ser ambigua en huellas dactilares parciales e indeterminada
para huellas digitales ruidosas. En estos casos se asigna una clase
alternativa o una clase de comodín. Otra característica de alto nivel es la
densidad de cresta en una huella dactilar. La centralidad de nuestro proceso
de extracción de características es la computación de las direcciones de
crestas en ventanas que no se superponen en la imagen de huella dactilar.
La dirección predominante se calcula como una estimación óptima de los
vectores de dirección en cada píxel de la ventana.
2.1 Clasificación de huellas dactilares
El problema de la clasificación de huellas dactilares se refiere a la
asignación de una imagen de huella digital a una de las siguientes clases:
arco, arco de tienda, whorl, lazo izquierdo, lazo derecho y rechazo. Para un
sistema automático, el problema está en que el sistema tiene que tener en
cuenta las direcciones de crestas globales y también su conectividad local.
Aquí los autores usan un algoritmo basado en tres partes principales: la
dirección del bloque de computación, la suave dirección de la imagen y la
ubicación de los puntos singulares. Basado en el número de puntos
singulares localizados, se puede usar un conjunto simple de reglas para
obtener la etiqueta de clase.
2.1 Extracción de minucias
Uno de los principales problemas en la extracción de características
estructurales es la presencia de ruido en la imagen de la huella digital. Los
métodos comúnmente usados para tomar impresiones de huellas dactilares
implican aplicar una capa uniforme de tinta en el dedo y rodar el dedo sobre
papel. Esto provoca los siguientes tipos de problemas: las áreas de
entintado excesivo del dedo crean áreas manchadas en la imagen, las
roturas en las crestas se crean por las áreas bajo entintadas, y la piel que
es elástico en naturaleza puede cambiar las características posicionales de
las características de la huella digital dependiendo sobre la presión que se
aplica sobre los dedos. Aquí se realiza un proceso que se divide en tres
operaciones:
Pre procesamiento y segmentación
Es obtener una imagen de cresta de huella dactilar segmentada
binariamente a partir de una imagen de huella dactilar de escala de
grises de entrada, donde las crestas tienen un valor 1 si es blanco, y el
resto de la imagen tiene valor 0. Esto se logra a través de los cuatro
pasos siguientes:
1. Calculo del campo de orientación
2. Separación de primer plano
3. Segmentación de la cresta
4. Suavizado direccional de las crestas
Adelgazamiento y extracción de características
Post procesamiento
2.2 Cuenta de Ridge
La detección de puntos singulares es una parte significativa de nuestro
procedimiento de clasificación. Una vez obtenidos los puntos núcleo-delta
del módulo clasificador, para obtener la densidad de cresta, utilizamos el
esqueleto de la huella dactilar utilizada en nuestra fase de extracción de
características. El número de puntos que cortan la línea imaginaria entre el
punto central y el punto delta en el esqueleto nos da el número de crestas
entre el núcleo y el delta. El núcleo y el delta son puntos muy estables en
una huella digital. Por lo tanto, este conteo de cresta es también una buena
estimación de la densidad de cresta.

3. Mantenimiento integrado de nivel mixto


Aquí es donde describen las distintas etapas para la recuperación de la
base de datos. La pirámide de coincidencia consta de 4 niveles, que son los
siguientes:
Basados en texto
Basados en clases
Basados en la densidad de crestas
Basados en minucias
La complejidad computacional aumenta a medida que avanzamos hacia
abajo en la pirámide.
Una descripción de alto nivel de la coincidencia multinivel se describe de la
siguiente manera:
Deje que el espacio de búsqueda sea toda la base de datos de huellas
Filtrar registros que coincidan con el rango de texto
Obtenga información de la clase de huella dactilar
Obtenga la densidad de cresta para la consulta y retenga los registros
con conteo de crestas dentro de un límite de tolerancia del recuento
de canto de consulta.
Realizar la adaptación elástica en el conjunto de características de
consulta y cada uno de los registros de base de datos retenido en el
paso anterior.
3.1. Emparejamiento elástico
Después de registrar los dos conjuntos de puntos, las minucias deben ser
emparejadas y para esto los autores usan la registración, el
emparejamiento de minucias y el algoritmo de coincidencia.

4. Resultado experimental

Para probar el enfoque, crearon las siguientes bases de datos: conjunto de


pruebas y una base de datos de 1.800 huellas dactilares, el registro con la
imagen de consulta puede tardar hasta 30 minutos sin utilizar la huella
dactilar y la información de conteo de crestas. Para llevar a cabo un método
de abandonar una sola salida en esta base de datos se necesitaran varios
días; con el fin de acelerar el proceso de coincidencia, necesitamos utilizar
aceleradores de hardware especiales. Por tanto eligieron implementar el
algoritmo de coincidencia en Splash2, una nueva máquina de cómputo
personalizada.

5. Algoritmo de armonización paralela en SPLASH 2

Aquí los autores describen el algoritmo de coincidencia paralelo en Splash 2


y también una pequeña introducción de la arquitectura Splash 2.

OBSERVACIONES Y/O CRÍTICAS

En mi opinión los autores hicieron una buena y robusta investigación en este


tema, me sorprendió bastante el gran aporte que dejaron en esta investigación
con la implementación del algoritmo en Splash 2, y lograr así disminuir de gran
manera el tiempo del algoritmo.

Por otro lado si bien el algoritmo es bueno y reduce el tiempo del algoritmo,
podría elaborarse un algoritmo mejor o en todo caso mejorar el algoritmo
anterior para poder reducir aún más el tiempo de ejecución del algoritmo y de
esta manera obtener los resultados que deseamos en el menor tiempo posible
y sin perder la exactitud de los resultados.