Introducción

El paso mas critico en el reconocimiento automático de huellas dactilares consiste en

extraer minucias de la imagen de la huella dactilar. Esta extracción depende de la
calidad de la imagen de entrada al sensor el cual hace una captura de la misma.

Para que el sistema de reconocimiento sea exitoso la calidad de la imagen a la que se

le hará la extracción de las características debe ser buena, por lo tanto, es
fundamental incorporar una etapa de procesamiento de la imagen previa a esta
acción, cuyo objetivo será mejorar la calidad de la imagen entrante reduciendo el ruido
presente en ella, resolviendo problemas dentro de la huella como lo son los cortes, la
suciedad y otras características presentes en el dedo.

La calidad de la imagen de la huella de entrada determina en gran medida el

rendimiento de técnicas de preprocesamiento y la extracción de minucias. En una
imagen de huela ideal, las líneas de cresta y sus valles fluyen en una dirección
constante de forma alternativa y local. En este caso, las crestas y los puntos
minuciosos se pueden detectar y colocar fácilmente en la imagen. Sin embargo,
debido a condiciones de la piel como humedad, cortes, ruidos del sensor y presión
incorrecta del dedo, se exporta una gran proporción de imágenes de huella de mala
calidad.

Una vez lograda la mejora de la imagen recién ahí se empieza con la etapa de
extracción de características (minucias) presentes en el dedo, las cuales serán
utilizadas posteriormente para realizar la comparación entre la imagen de entrada y las
que se encuentran almacenadas en el sistema. Es de esperar que dentro de la imagen
mejorada, cuando se realice la extracción de minucias aparezcan minucias falsas, es
decir puntos de interés falsos producidos por ruidos, cortes, deformaciones, etc.,
dentro de la imagen que no han podido ser eliminadas en el paso anterior, por este
motivo, se deberá contar con un procedimiento que permita eliminar estas
características falsas y dejar dentro de la imagen aquellas que si representen a la
estructura de la huella y permitan lograr la comparación de forma exitosa.

Por ultimo se encuentra el algoritmo de comparación que proporciona a partir de las

minucias obtenidas la aceptación o rechazo de la huella dactilar entrante al sistema.
Este algoritmo deberá considerar que la huella entrante no es una copia exacta de
alguna que ya se encuentre en el sistema por mas que sea de la misma persona, es
decir, una nueva huella ingresante de un usuario ya conocido contendrá una distinta
orientación, rotación por como fue apoyado el dedo en esta última adquisición, como
también habrán deformaciones presentes por la presión que realiza el dedo con el
sensor, ruidos presentes en el sistema de adquisición que antes no estaban, detalles
en el dedo como pueden ser los anteriores nombrados como cortes o manchas.

A continuación, se presenta un grafico de las distintas etapas que atraviesa la huella

dactilar:

Metodología

El diagrama de bloques del proceso de reconocimiento de huellas dactilares es como

muestra la Figura 2. La disposición típica implica bloques de normalización, estimación
del campo de orientación, filtrado, binarizacion, adelgazamiento, extracción y
eliminación de minucias falsas para luego realizar la comparación mediante funciones
geométricas.

1. Normalización: enfoque adaptativo de media y varianza local.

2. Estimación del campo de orientación: método de detalle de la cresta local.
3. Filtrado: filtrado directo de escala de grises basado en la función de Gabor.
4. Binarizacion: convierte la imagen de escala de grises a blanco y negro.
5. Adelgazamiento: enfoque mejorado de adelgazamiento rápido.
6. Extracción de minucias: método de crossing numbers.
7. Eliminación de falsas minucias: método de distancia euclidiana
8. Comparación de características: método de triangulación de Delaunay.

1) Normalización: para lograr un buen rendimiento del algoritmo de extracción de

minucias en imágenes de baja calidad, el algoritmo de normalización puede
mejorar la claridad de la estructura de la imagen.

Este método de normalización fue usado por Hong, Wan, and Jain (1998) [1].
Este determina el nuevo valor de intensidad por cada pixel en una imagen. La
normalización es una operación pixel a pixel, la cual no cambia la claridad de
crestas y valles.

La imagen de entrada es una imagen de huella en escala de grises de 8-bit de

profundidad, representada por I(x,y) de tamaño N x M. I(i,j) representa la
intensidad del pixel in la fila i y la columna j. La media (M) y la variancia (VAR)
de la imagen de la huella de entrada es procesada usando la Ec. (1) y Ec. (2).
La imagen normalizada G(i,j) es representada por la Ec (3).
Donde M0 y VAR0 son la media y varianza deseadas respectivamente.

2) Estimación del campo de orientación: el propósito de la estimación de

orientación es encontrar el campo de orientación de la imagen de la huella
dactilar, mientras que el campo de orientación es una propiedad esencial de las
huellas. El campo de orientación define los ángulos de rotación de las crestas y
valles en un vecindario local, y es indispensable para la extracción de minucias.
 Existe un método clásico que se llama método basado en gradientes el cual es
adoptado por muchos investigadores [1]. El algoritmo se puede realizar
siguiendo una serie de pasos principales:

 Dividiendo la imagen en bloques de tamaño w x w

 Procesando los vectores de gradiente de todos los pixeles de la imagen
de huella, usando la siguiente formula:

Donde I(x,y) es el valor del pixel en escala de grises el cual esta

ubicado en (x,y), y el resultado de la ecuación son los vectores de gradiente del pixel
(x,y).

 Elevar al cuadrado todos los puntos de los vectores de gradientes.

Asumimos que cada uno de estos puntos es un numero complejo, lo
cual significa que los vectores pueden ser escritos de la forma:

Así los vectores de gradientes al cuadrado pueden ser obtenidos

utilizando la fórmula:

Donde el resultado de la primera es la parte real de los vectores,

mientras que la segunda es la parte imaginaria de los vectores de
 gradientes. Luego calculamos el valor medio de los vectores de
gradientes en cada bloque w x w:

 Calcular el valor de Θ el cual es el ángulo de la orientación cresta-valle,

mientras Θ no sea menor que 0 y menor que pi. Desde que los
vectores de gradientes fueron elevados al cuadrado, los ángulos que
pueden ser calculados como arctan es el doble del valor de la media en
los vectores de gradientes en todos los bloques. Entonces debemos
dividir a la mitad los ángulos, y luego sumar pi/2 en ellos para rotar los
vectores de gradiente y convertirlos en orientaciones de crestas-valles.
Es más, debemos garantizar que todavía se encuentra en su rango de
valores. Considerando todas estas situaciones, se puede obtener theta
mediante la fórmula:

Finalmente, conseguimos la matriz de orientación de la huella con una

matriz completa de los ángulos de cada bloque.
3) Filtrado: El filtro preserva la continuidad del patrón de flujo de la cresta. Mejora
la claridad de las estructuras de la cresta y el valle al eliminar el ruido. Las
configuraciones de crestas y valles paralelos con una frecuencia y orientación
bien definidas en una imagen de huella digital proporcionan información útil que
ayuda a eliminar el ruido no deseado. Las ondas de forma sinusoidal de
crestas y valles varían lentamente en una orientación local constante. Por lo
tanto, un filtro pasa banda que esté sintonizado a la frecuencia y orientación
correspondientes puede eliminar de manera eficiente el ruido no deseado y
preservar las verdaderas estructuras de crestas y valles. Los filtros de Gabor
tienen propiedades selectivas de frecuencia y de orientación y tienen una
resolución conjunta óptima tanto en el dominio espacial como en el de
frecuencia. Por lo tanto, es apropiado usar filtros de Gabor como filtros pasa
banda para eliminar el ruido y preservar las verdaderas estructuras de crestas /
valles.

El filtro tiene la forma:

Donde Φ es la orientación del filtro de Gabor, f es la frecuencia de una onda
plana sinusoidal, dx y dy son las constantes espaciales de la envolvente
gaussiana a lo largo de los ejes x e y, respectivamente. La función de
transferencia de modulación (MTF) del filtro de Gabor se puede expresar como:
Donde du = 1/2pidx y dv = 1/2pidy.

Para aplicar filtros de Gabor a una imagen, se deben especificar tres

parámetros:

 La frecuencia de la onda plana sinusoidal, f,

 El filtro de orientación, y
 Las desviaciones standard de la envolvente gaussiana, dx y dy.
4) Binarizacion: La imagen de la huella digital filtrada está en formato de escala
de grises de 8 bits. Se convierte en binario (1 bit) seleccionando el umbral. Los
valores de píxeles que están por encima del umbral se asignarán a 1 (blanco) o
de lo contrario se asignarán a 0 (negro). Para la imagen en escala de grises de
8 bits, la selección del umbral es la siguiente: El valor del umbral es la media
de la imagen de la huella digital filtrada para el caso adaptativo. El valor umbral
para el caso ideal y adaptativo viene dado por las siguientes ecuaciones:
5) Adelgazamiento: El adelgazamiento es el proceso por el cual el grosor de la
línea de la cresta se reduce a un ancho de píxel al eliminar píxeles en el borde
de las líneas de la cresta. El principio básico del adelgazamiento es crear
plantillas de eliminación y luego comparar las imágenes binarias con plantillas
para determinar si los píxeles en un punto determinado deben eliminarse o no.

El adelgazamiento de la imagen de la huella digital se basa en la imagen

binaria y la calidad de la imagen binaria tiene una influencia significativa en la
imagen adelgazada. Incluso un buen algoritmo binario puede dejar pequeñas
rupturas, puentes entre crestas y otros artefactos, por lo que elegir el patrón
apropiado es el paso más crítico en este proceso. El uso de un patrón
apropiado puede reducir el número de picos que pueden resultar en la
extracción de minucias falsas. Después del paso de adelgazamiento, se puede
obtener la imagen del esqueleto de las huellas dactilares. Idealmente, la
imagen del esqueleto debe colocarse en el medio de la imagen original y
mantener la conexión de las líneas de la cresta.

La imagen de huella digital binarizada se aplica a un bloque de adelgazamiento

que reduce el grosor de la cresta a un píxel de ancho. Este proceso se lleva a
cabo en dos pasos considerando 8 píxeles vecinos.

N (Pl): número de vecinos distintos de cero de P1. Eso es N (P1) = P2 + P3 +

…… .. + P9. S (P1) - Número de transición 0-1 en la secuencia ordenada de
p2, p3… .., p8, p9.

Paso 1: se aplica a cada píxel del borde en la imagen de huella digital

binarizada que se está considerando. Si una o más de las condiciones (a) a (d)
de la siguiente ecuación se violan, el valor del píxel no se modifica.

Paso 2: Condiciones (a) y (b) de la ecuación anterior permanecen iguales, pero

las condiciones (c) y (d) se cambian como en la ecuación:
6) Extracción de minucias: Se basa en el concepto de número de cruce en el que
se examina la conectividad de los píxeles en la imagen adelgazada. Para
extraer minucias, considere una matriz de 3 x 3 de la imagen adelgazada.
Escanee el vecindario local de cada píxel de cresta en la imagen de 3 x 3
seleccionada. Luego calcule el valor CN usando la ecuación de CN. Se define
como la mitad de la suma de las diferencias entre pares de píxeles adyacentes
en la vecindad de ocho. El CN de un píxel P está dado por:

Donde Pi es el valor de píxel en la vecindad de P. Para un píxel P, sus ocho

píxeles vecinos se escanean en sentido antihorario. Un píxel con una
conectividad de 1 corresponde a una minucia final y una conectividad de 3
conduce a una bifurcación. Para otros valores, no es un píxel significativo.

Posibles terminaciones de crestas:

Posibles bifurcaciones de crestas:

7) Eliminación de falsas minucias:

Pueden introducirse falsas minucias en la imagen debido al ruido, artefactos,

etc. La existencia de falsas minucias aumenta tanto el FAR como el FRR del
sistema de reconocimiento de huellas dactilares. Por lo tanto, la eliminación de
falsas minucias forma una parte importante del sistema de reconocimiento de
huellas dactilares. La eliminación de falsas minucias utiliza el algoritmo de
distancia euclidiana. La distancia euclidiana entre los puntos pyq es la longitud
del segmento de línea que los conecta (pq (bar)). Sea p = (p1, p2, ..., pn) y q =
(q1, q2, ..., qn) son dos puntos en el espacio n euclidiano, entonces la distancia
de p a q, o de q a p viene dada por la ecuación:
 Hay una característica común de estas falsas minucias, que es que estas
falsas minucias están muy cerca unas de otras. Así que establecimos algunas
reglas para ignorar las falsas minucias:

 Regla 1: si la distancia entre una terminación y una bifurcación es

menor que D1, entonces estas dos minucias podrían ser minucias
falsas. Deberíamos eliminar estas dos minucias. Experimentalmente,
D1 se establece en 10.
 Regla 2: si la distancia entre dos terminaciones es menor que D2,
entonces estas dos minucias podrían ser minucias falsas. Deberíamos
eliminar estas dos minucias. Experimentalmente, D2 se establece en 6.
 Regla 3: si la distancia entre dos bifurcaciones es menor que D3,
entonces estas dos minucias podrían ser minucias falsas. Deberíamos
eliminar estas dos minucias. Experimentalmente, D3 se establece en 6.

8) Comparación de características:
Las características biométricas que se extrae de las huellas dactilares tienden
a ser diferente en cada adquisición, así mismo una huella dentro de la base de
datos en comparación a una huella de consulta nueva en el sistema
perteneciente a una misma persona, presenta cambios de posición como
 deformaciones dado a factores normales que se presentan a la hora de apoyar
el dedo en el sensor. Como consecuencia de lo anterior se puede ocasionar
que estas huellas sean catalogadas como no coincidentes en su verificación o
bien que huella de distintas personas parezcan similares.

Para evitar los casos mencionados anteriormente y sobrepasar la dificultad del

pre-alineamiento se propuso el uso de triángulos de Delaunay, lo cual permite
proveer de estabilidad estructural local a la representación espacial de las
minucias. Bajo esta propuesta las minucias de la huella son utilizadas como
vértices de las triangulaciones y la red formada por estas es tolerante a
distorsiones, rotaciones y traslaciones.

Los algoritmos para el matcheo de huellas dactilares están compuestos por

dos impresiones a comparar, una imagen cargada dentro de la base de
datos y una nueva imagen de consulta, como salida estos algoritmos tienen una
puntuación de similitud (valor entre 0 y 1) o una respuesta booleana (coincide/no
coincide).

Muy pocos algoritmos trabajan sobre la imagen en escala de grises, la mayoría hacen
uso de un vector de características vinculado a cada una de las imágenes obtenidas
en la etapa de extracción de características.

El diseño de un algoritmo fiable de coincidencia es muy desafiante debido a que las

impresiones son ligeramente diferentes cada vez que son capturadas. Estos factores
responsables de la variación son:

 Desplazamiento: al se la huella colocada sobre el sensor en diferentes

adquisiciones se genera una traslación en la impresión dactilar resultante.
 Rotación: por el mismo motivo anterior, la huella al ser colocada en el sensor
esta puede presentar ligeras rotaciones. 
 Traslapamiento parcial: debido al desplazamiento y rotación suele suceder que
parte del área de la huella quede fuera de la superficie de adquisición del
sensor, resultando en un pequeño traslapamiento entre áreas de ambas
huellas a matchear. 
  Distorsiones no lineales: Se presenta al mapear la superficie elástica convexa
de la huella en un sensor plano. Este mapeo produce distorsión no lineal
producto de la plasticidad de la piel.
 Presión y condiciones de la piel: Los parones de cresta de la huella son
capturados con precisión a través de un contacto uniforme con la superficie del
sensor, sin embargo la presión aplicada al momento de la adquisición, los
cortes y la sequedad de la piel, el sudor, la suciedad, la grasa y la humedad del
aire generan un contacto no uniforme.
 Ruido: Es principalmente introducido por los sistemas de captura.
 Errores en la extracción de minucias: estos algoritmos son imperfectos y a
menudo introducen errores en las mediciones.

Técnicas para la determinar coincidencia entre huellas:

La mayoría de las técnicas para el matcheo de huellas se pueden encontrar en tres

categorías distintas: 

 Basadas en la correlación: Dos impresiones dactilares son superpuestas y la

correlación entre los correspondientes pixeles es calculada para diferentes
alineamientos (variaciones en el desplazamiento y la rotación).
 Basadas en las minucias: Es la más popular y usada, siendo la técnica base
para la comparación de impresiones dactilares creada por los expertos. Las
minucias son extraídas de dos diferentes impresiones y almacenadas como
conjunto de puntos bidimensional. Esta tecnica esencialmente consiste en la
determinación del alineamiento entre el conjunto de minucias.
 Basadas en las características de las crestas: La extracción de minucias a
partir de las impresiones dactilares de pobre calidad es una tarea compleja. Sin
embargo, se pueden considerar otras características de los patrones de
crestas, como por ejemplo la orientación local y la frecuencia, la forma de las
crestas y la información de textura. Las técnicas que corresponden a esta
familia comparan las impresiones dactilares en términos de características
extraídas desde el patrón de crestas.

Triangulación de Delaunay:
La triangulación es un proceso que divide una región del espacio en un conjunto de
subregiones (triángulos), en este caso el espacio es bidimensional dado que tratamos
con puntos (posiciones de las minucias). El objetivo del uso de la triangulación de
Delaunay en este proyecto es la asociación de una estructura topológica bidimensional
vinculada a las posiciones de las minucias. 

Dado un conjunto de puntos V = {v1,v2,...,vn} podemos obtener una triangulación de

Delaunay al calcular primero el correspondiente diagrama de Voronoi, que
descompone el espacio bidimensional en sub regiones centradas alrededor de cada
punto vi tal que todos los puntos en la región alrededor de vi son los mas cercanos a vi
que a cualquier otro punto en V.

Dado el diagrama de Voronoi, la triangulación de Delaunay puede ser obtenida por la

conexión de los centros de todos los pares de las regiones de Voronoi.

(a) conjunto de puntos bidimensional; (b) diagrama de Voronoi; (c) Triangulación de

Delaunay.

Propiedades de la triangulación de Delaunay:

 La triangulación de un conjunto de puntos no degenerados es única

 Un círculo alrededor de tres puntos de todo triángulo de Delaunay no contiene
a otros puntos. Esto implica que la inserción de nuevos puntos en un triángulo
afecta únicamente al triángulo cuyos círculos contienen al punto. Como
resultado, los efectos del ruido en la triangulación de Delaunay se dan
únicamente en forma local.
  El ángulo mínimo frente a todos los ángulos en todos los triángulos en una
triangulación de Delaunay es mayor que el ángulo mínimo en cualquier otra
triangulación de los mismos puntos. 

Matching:

Una vez que las minucias de ambas imágenes son extraídas se realizan los siguientes
pasos:

1. Se calcula la triangulación de Delaunay para cada conjunto de minucias,

generando don conjuntos de tripletas de puntos que hacen referencia a los
triángulos de Delaunay.

2. Se determina la invarianza de las triangulaciones, se obtienen las

características geométricas invariantes a la rotación, traslación y escalamiento
vinculadas a cada triángulo referenciado por las tripletas de puntos, generando
los conjuntos de invarianzas de triangulación. Además, se extraen
características como el tipo de minucia, es decir en cada punto respectivo a un
vértice del triangulo si este es una bifurcación o terminación de cresta.
3. Utilizando las imágenes, así como los conjuntos se determinan los triángulos
de Delaunay más parecidos entre ambas imágenes, calculando la
transformación de similitud correspondiente a cada par de triángulos
coincidentes. El primer filtro realizado para determina triángulos coincidentes
es comparar para cada triangulo de la imagen de consulta si los tipos de
minucias en los vértices son coincidentes con los de la imagen almacenada.
Luego se comparan las diferencias entre los ángulos internos de cada triangulo
y por ultimo se los filtra mediante la distancia euclidiana de cada lado.

4. Cada transformación de similitud obtenida es aplicada al conjunto de minucias,

alineados respecto al conjunto de minucias, luego se contabiliza el número de
minucias apareadas, determinando así el índice de similitud vinculada a cada
transformación. El índice de similitud final es el máximo de todos estos.