Documentos de Académico
Documentos de Profesional
Documentos de Cultura
HUELLAS DACTILARES
Facultad de Ingeniería
Bogotá D.C.
2005
AFISUA: UN SISTEMA DE CLASIFICACIÓN Y RECONOCIMIENTO DE
HUELLAS DACTILARES
Presentado por:
Asesor:
Rafael García Gómez
Facultad de Ingeniería
Bogotá D.C.
2005
AGRADECIMIENTOS
i
RESUMEN
ii
TABLA DE CONTENIDO
Página
1. INTRODUCCION 1
1.1. DESCRIPCION DEL TRABAJO 1
1.1.1. Objetivos del trabajo 1
1.1.1.1. Objetivo general del trabajo 1
1.1.1.2. Objetivos específicos del trabajo 2
1.2. ALCANCE DEL TRABAJO 2
1.3. ORGANIZACIÓN DEL DOCUMENTO 2
2. HUELLAS DACTILARES 4
2.1. DEFINICION 4
2.2. CARACTERISTICAS VISIBLES DE LAS HUELLAS DACTILARES 4
2.2.1. Áreas Visibles 4
2.2.1.1. Valles 4
2.2.1.2. Surcos 5
2.2.2. Minucias 5
2.2.2.1. Características de las minucias 5
2.2.2.2. Tipos de minucias 6
2.2.3. Puntos singulares 7
2.3. CLASIFICACION DE LAS HUELLAS DACTILARES 8
2.3.1. Clasificación de acuerdo a las características de Galton 8
2.3.2. Clasificación según Henry 8
2.3.2.1. Arco 8
2.3.2.2. Arco Tendido 9
2.3.2.3. Ciclo a la izquierda 9
2.3.2.4. Ciclo a la derecha 10
2.3.2.5. Espiral 10
2.3.3. Puntos singulares 11
2.3.4. Conteo de surcos 11
iii
UTILIZANDO REDES NEURONALES 16
iv
6.1. CRITERIOS DE SIMILITUD ENTRE HUELLAS 50
6.1.1. Definición del criterio de similitud entre huellas dactilares 50
6.1.2. Criterio de similitud utilizando la clasificación de las
huellas según Henry 50
6.1.3. Criterio de similitud entre huellas dactilares de acuerdo a
la información de las minucias 53
6.1.4. Criterio de similitud combinado 56
6.2. BÚSQUEDAS DE PROXIMIDAD EN ESPACIOS MÉTRICOS 57
6.2.1. Vecinos mas cercanos 57
6.2.2. k-Vecinos mas cercanos 58
6.2.3. Rango 58
6.3. MECANISMOS DE BUSQUEDA EN ESPACIOS MÉTRICOS 58
6.3.1. Búsqueda directa 59
6.3.2. Algoritmos de búsqueda basados por pivotes 59
6.3.3. Algoritmos de búsqueda basados por clústeres 60
6.3.4. Criterio del Radio Incremental 61
6.3.5. t-Spanners 61
6.3.5.1. Definición 61
6.3.5.2. Aplicaciones de los t-Spanners para la búsqueda en
espacios métricos 62
6.3.5.3. Implementación de un t-Spanner 62
6.3.5.3.1. Algoritmo Básico 62
6.3.5.3.2. Algoritmo Básico Optimizado de Paredes Moraleda 63
6.3.5.4. Búsqueda en un t-Spanner 64
6.4. PRUEBAS DEL SISTEMA DE PERSISTENCIA Y BÚSQUEDA 66
8. CONCLUSIONES 68
9. REFERENCIAS 72
v
GLOSARIO
vi
1. INTRODUCCION
1
1.1.1.2. Objetivos específicos del trabajo
1.1. ALCANCE
Este trabajo pretende sentar las bases para desarrollar un sistema AFIS, por lo
tanto debe ser de utilidad para las personas que estén realizando
investigaciones en el área, debido a que se propone el diseño de uno de estos
sistemas, se exponen los resultados de las pruebas obtenidas durante el
desarrollo, y se incluyen aspectos que se pueden mejorar al sistema propuesto.
Este trabajo también está dirig ido en una parte para aquellas personas que
deseen comprender conceptos de búsqueda en espacios métricos, creación de
sistemas biométricos, análisis y procesamiento de imágenes. El sistema AFIS
propuesto permite ver la aplicación de los conceptos mencionados, lo que hace
que se genere una comprensión integral de ellos.
2
este capít ulo se presentan los pasos para construir el sistema AFIS
propuesto en el trabajo.
• 4 . Etapa de preprocesamiento de la imagen de una huella dactilar de
entrada. En éste capítulo, se describen los pasos de manera detallada
para obtener el esqueleto de una imagen de una huella dactilar, y
además, se muestran los resultados de las pruebas obtenidas durante la
construcción de ésta etapa del sistema.
• 5 . Etapa de extracción de minucias de la huella dactilar. En éste capít ulo,
se describe el proceso detallado de extracción de las minucias de la
huella dactilar utilizando una implementación de una red neuronal. Al
final del capítulo, se muestran los resultados de las pruebas obtenidas
durante la construcción de ésta etapa del sistema. Paralelamente, se
está desarrollando un trabajo que trata los temas de éste capít ulo, el
cual servirá como base (véase [Forero04]) .
• 6 . Etapa de diseño e implementación e implementación del sistema de
persistencia y búsqueda. En éste capítulo, se describen los procesos de
construcción del sistema de persistencia del sistema AFIS y de
implementación del sistema de búsqueda, con el respectivo proceso de
pruebas y sus resultados.
• 7. Aspectos que se podrían mejorar en el futuro del sistema AFIS
propuesto.
• 8. Conclusiones. Con base a los resultados obtenidos durante las etapas
de desarrollo, se realiza un balance de los resultados. También se
analizan los aspectos que se pudieron haber mejorado durante la
realización del sistema (que es diferente al capítulo 7 que son los
aspectos a mejorar el sistema en el futuro).
• 9. Referencias.
3
2. HUELLAS DACTILARES
2.1. DEFINICION
Una huella dactilar se define generalmente como el conjunto de líneas visibles que
se forman en la piel que cubre la zona donde se encuentran las falanges distales
1
de los dedos .
Este conjunto de líneas visibles se clasifican en dos tipos: los valles y los surcos.
En las líneas de los surcos se presentan ciertas configuraciones que se repiten con
cierta regularidad en todas las huellas, estas características son llamadas minucias.
Las huellas dactilares tienen características visib les a simple vista, las cuales son:
las áreas visibles, las minucias, el núcleo y el delta.
Las áreas visib les en una huella dactilar se clasifican en dos: los valles y los
surcos.
2.2.1.1. Valles
Los valles son las áreas pertenecientes a la huella dactilar que se encuentran a
cierto nivel de profundidad. En la impresión de la huella dactilar, los valles
corresponden a las áreas de color blanco.
4
2.2.1.2. Surcos
Valle
Surco
2.2.2. Minucias4
3
Fuente: ([NIST02], imagen f0000001)
4
Fuente: ([JHHLT99], cap. 1)
5
2.2.2.2. Tipos de minucias
Bifurcación C ruzamiento
Terminación
P unto
F igura N o. 2.2. Tipos de minucias. F uentes: ([N IS T02]), ([JH H LT99], p. 6)
5
Fuente: ([JHHLT99], p. 2)
6
- El punto es una línea de surco bastante corta, que no está conectada a
ninguna otra línea de surco.
- En el cruzamiento, dos líneas de surcos se cruzan.
- Una isla se presenta cuando se unen las dos ramas de dos bifurcaciones
diferentes, para que esto suceda ambas bifurcaciones deben estar
orientadas frente a frente (con una diferencia de ángulo entre sus
orientaciones cercano o igual a π radianes).
N úcleo
Delta
6
Imagen obtenida de la base de datos NIST-14 ([NIST02]). Imagen: f0000001
7
El núcleo de la huella dactilar es el punto más alto del surco curvado más
7
interior ([SM92] ), mientras que el delta de una huella dactilar es la zona donde
se unen 3 flujos de surcos ([SM92] 8).
Este tipo de clasificación se basa en la forma que las líneas de surcos de la huella
dactilar que rodean el núcleo de la misma. De acuerdo a este tipo de clasificación,
las huellas se agrupan en:
2.3.2.1. Arco
Una huella es de la clase arco cuando las líneas de los surcos cercanas al
centro de la misma forman arcos o campanas. Normalmente este tipo de
huellas no tienen un núcleo definido.
7
Citado por Barajas en ([Barajas03], p. 44 (Edición Impresa))
8
Citado por Barajas en ([Barajas03], p. 44 (Edición Impresa))
9
Fuente: ([JHHLT99], cap. 2)
8
F igura 2.9. A rco. F uente: ([JH H LT99], p. 6)
Una huella es de la clase arco tendido cuando las líneas de los surcos cercanas
al centro de la misma forman arcos o campanas y cuando se tenga por lo
menos una línea de surco cercana al centro cuyo ángulo formado entre el pico
(zona donde se eleva mas la línea del surco) y el piso sea elevado (mayor que
10
45º ).
10
Fuente: ([Barajas03], p. 20 (Edición impresa))
9
F igura N o. 2.11. C iclo a la izquierda. F uente: ([JH H LT99], p. 6)
2.3.2.5. Espiral
10
F igura N o. 2.13. C iclo a la derecha. F uente: ([JH H LT99], p 6)
Otro sistema de clasificación que también es utilizado es el que utiliza el FBI. Esta
institución ideó un sistema de clasificac ión para las huellas dactilares que toma en
14
cuenta los siguientes parámetros :
11
Fuente: ([JHHLT99], cap. 3)
Fuente: ([JHHLT99], p. 113)
12
11
3. SISTEMAS AUTOMATIZADOS DE IDENTIFICACIÓN DE
HUELLAS DACTILARES (AFIS)
3.1 DEFINICION
La calidad de las huellas dactilares de entrada puede ser baja, debido a que por lo
general, no son obtenidas en condiciones controladas, por ejemplo, si la huella
dactilar de entrada fue obtenida de una escena de un crimen (ya que normalmente
se obtiene sólo un fragmento de la misma), o si la huella obtenida estaba grasosa,
o la superficie sobre la que fue dejada es irregular.
Un AFIS debe tener en cuenta los siguientes aspectos ([JH96], Sección 1):
12
• Adquisición de la huella
• Verificación de la huella
• Identificación de la huella
• Clasificación de la huella: asignar a una huella dada una de las categorías
pre-especificadas.
13
1. Adquisición de las huellas
2. Preprocesamiento
4. Codificación
Base de datos de
información de 5. Comparación
huellas
6. Lista de huellas
Candidatas
7. Selección de la huella
(Búsqueda forense)
8. Coincidencia
14
Inicialmente, se realiza el proceso de adquisición de las huellas dactilares, que
consiste en obtener una representación digital de la impresión de la huella, esto se
logra mediante dispositivos digitalizadores (escáneres, por ejemplo).
Las etapas que sigue un sistema AFIS para la identificación de una huella dactilar
son:
15
4. Se realiza el proceso de codificación, que consiste en organizar la
información extraída de la imagen de la huella dactilar de tal forma que
permita realizar la búsqueda de las huellas similares en la base de datos.
5. Se realiza el proceso de comparación, donde se buscan aquellas huellas en
la base de datos cuyas características son similares a las de la huella de
entrada.
6. Se muestra en un listado las huellas similares.
7. El usuario selecciona la huella que considere mas parecida a la original.
8. Se muestra la información completa de la huella seleccionada (como p. ej.
Información de la persona a la que pertenece).
16
En la Etapa 3, se procede a realizar la búsqueda de las huellas dactilares que sean
similares a la huella dactilar de entrada (tanto en cantidad y posición de minucias y
que pertenezcan como en la clasificación según Henry) en la base de datos de
huellas, y posteriormente se muestran en un listado.
17
4. ETAPA DE PREPROCESAMIENTO DE LA IMAGEN DE LA
HUELLA DACTILAR DE ENTRADA
Una vez aplicados estos filtros, la imagen se encuentra lista para realizar la
extracción de sus minucias.
Estos filtros en su mayoría logran su objetivo, pero hay condiciones en las cuales
estos filtros podrían no ser efectivos o podrían agregar información que afectaría
de manera considerable la extracción de sus minucias. Ejemplos en los cuales no
son tan efectivos los filtros son:
18
La figura que se muestra a continuación muestra con claridad el proceso de
preprocesamiento de una imagen de una huella dactilar:
Limpieza
Binarización
Adelgazamiento
Figura 4.1. Preprocesamiento de la imagen. Todas estas imagines son producto de aplicar los
procesos a la imagen original obtenida de ([NIST02], imagen s0000001)
1. Filtros de Limpieza
2. Filtros de Binarización
19
3. Filtros de Adelgazamiento
A continuación se realizará la descripción y el funcionamiento de los filtros de
limpieza, binarización y adelgazamiento probados.
Este filtro tiene como propósito eliminar ruido e información irrelevante que se
encuentre presente dentro de la imagen, tales como el efecto sal y p imienta o la
presencia de elementos extraños en la imagen de la huella dactilar como por
ejemplo los rótulos que se encuentran cercanos a la huella.
El filtro para la limp ieza de la huella que fue probado fue el método que ha sido
propuesto por Watson, Candela y Grother en ([WCG94]).
Este filtro tiene como propósito principal la eliminación de las áreas que no son
correspondientes a la huella.
20
Imagen 4.2: Imagen original del N IS T14 con las zonas descritas. O btenida de ([N IS T02], imagen
s0000008)
Los métodos que se utilizan para la aplicación del filtro probado se dividen en 3:
La separación se puede hacer por píxeles, donde cada píxel es clasificado como
fondo/huella o por sectores donde esta misma clasificación se aplica a sectores
de píxeles y no a píxeles individuales. En esta instancia se diferencian los
sectores de la imagen que bajo algún criterio pertenecen a la huella.
A. Umbral promedio
21
Imagen 4.3. Imagen 4.2 tras la aplicación del filtro
de separación por píxeles.
22
Son considerados de la imagen, aquellos píxeles cuya intensidad es inferior
al umbral.
Este filtro elimina más información que el del umbral promedio, sin perder
información de la huella.
Entonces Px , y ∈ S i , j ≡ ( x ∈ [in, in + ( n − 1) ]) ∧ ( y ∈ [ jn , jn + ( n − 1) ])
A. Por promedio
( + Px , y | Px, y ∈ S i , j : I (Px, y ))
promedio( S i, j ) =
S i, j
B. Por mínimo
min imo( S i, j ) = ( s | (∀Px , y | Px, y ∈ Si , j : s ≤ I ( Px , y )) ∧ (∃Px, y | Px ,y ∈ S i, j : s = I ( Px, y )))
C. Por máximo
23
max imo( Si , j ) = (s | (∀Px , y | Px, y ∈ S i , j : s ≥ I ( Px , y )) ∧ (∃Px, y | Px, y ∈ Si , j : s = I (Px, y )))
Estos datos que describen al sector se comparan luego con algún criterio de
aceptación, algunos criterios de aceptación posibles son:
Puesto que se están buscando los sectores de la imagen que bajo algún
criterio son más oscuros que el fondo entonces el criterio de aceptación de un
sector tiene la siguiente forma.
24
C aracterística Local
P romedio M áximo M ínimo M ediana
G lobal P romedio.
M ediana.
Umbral
iterativ o.
U mbral fijo.
Los criterios que incluyen parte significativa del fondo son los que usan como
característica local el mínimo.
25
Los resultados que dan los criterios considerados buenos a pesar de ser
diferentes entre si son iguales para el filtrado al que se someterán
posteriormente, por tanto se usará el de umbral fijo como criterio global y el
promedio como criterio local, pues de los tres, es el algoritmo mas eficiente.
26
A. Por erosión ([WCG94])
B. Por morfología.
En los mapas obtenidos, el ruido suele tener forma de líneas tanto curvas
como rectas, pero en todo caso mucho más delgadas que el conjunto de
puntos que corresponden a la huella.
27
alta que la cantidad de puntos en la vecindad de los márgenes o la escritura
que hay en la imagen.
En todo caso el umbral debe ser cercano e inferior a 50%, para obtener
formas convexas.
El umbral se determino en 40% tras varias pruebas, al observar que con este
valor se obtenían las selecciones más relevantes.
En los mapas obtenidos, se vuelven negros los píxeles que eran previamente
negros, y en cuya vecindad (cuadrado con lado v centrado en el punto) la
proporción de píxeles negros supera cierto umbral.
28
F igura 4.9. S ector que se conserv a de la imagen
Estos filtros tienen como objetivo principal limitar el espacio de colores que utiliza
una imagen de entrada (que se encuentra en escala de grises o a color) a dos
colores, los cuales son el blanco y el negro. En el caso particular de las imágenes
de la base de datos NIST-14 ([NIST02]), éstas se encuentran en escala de grises,
lo cual implicó que los filtros probados funcionan únicamente para imágenes de
este tipo.
Los filtros probados realizan de manera apropiada la limitación del espacio de
colores para el caso de una imagen de una huella dactilar que no se encuentre
grasosa. Si la huella dactilar obtenida estaba grasosa, algunos de estos filtros
eliminan gran parte de los surcos, lo cual hace que se produzca una pérdida de
información en estos sectores.
Este método consiste en calcular un valor de umbral sobre toda la imagen. Una
vez obtenido el umbral, se cambian los colores de cada píxel de la siguiente
forma:
• Aquellos píxeles cuyo nivel de intensidad de color sean menores o iguales
que el valor de umbral, se dibujan con el color blanco.
• Aquellos píxeles cuyo nivel de intensidad de color sean mayores que el valor
de umbral, se dibujan con el color negro.
15
Citado en ([JHHLT99], p. 159)
29
El ajuste del valor del umbral debe hacerse de acuerdo a las condiciones en las
que se encuentre la imagen. Si la imagen fue obtenida de una huella grasosa,
un valor bajo de umbral lograría mejorar la visibilidad de los surcos, mientras
que en huellas que no los son un valor más alto del umbral logra aumentar la
nitidez de los surcos.
El caso para el cual el valor de umbral se obtiene un result ado apropiado para
la mayoría de las imágenes es el valor de intensidad promedio de los colores de
la imagen.
El tamaño de los bloques utilizados para realizar las pruebas fueron de 8x8,
16x16, 32x32 y 64x64. Estos valores se escogieron inicialmente debido a que
con estos tamaños de bloques se obtienen resultados favorables.
Este filtro tiene como propósito principal reducir el grosor de las líneas de los
surcos a un valor mínimo preestablecido. Esto se hace para facilitar en parte el
proceso de obtención de las minucias en la medida de que ya se puede extraer la
información que es estrictamente necesaria de la huella, y que además, el grosor
de los surcos no contribuye al reconocimiento.
16
Citado en ([JHHLT99], p. 159)
30
El filtro de adelgazamiento probado se basa en el que plantearon Stefanelli y
Rosenfeld (1971) en ([SR71]). Este filtro permite encontrar la línea medial de la
imagen.
Los pasos que sigue el algoritmo que implementa este filtro son:
Los puntos de contorno son aquellos que pueden pertenecer al borde del
surco. Se definen como los ilustra la figura:
X X X X 0 X X X X X X X
X 1 X X 1 X 0 1 X X 1 0
X 0 X X X X X X X X X X
a) b) c) d)
F igura 4.10. Definición de los puntos de contorno, las equis(X) representan v alores que son indiferentes.
Los puntos finales son aquellos que podrían pertenecer a la línea medial de
la imagen. Se definen como los ilustra la figura:
X X X 0 X X Y 0 X Y Y 0
0 1 0 Y 1 X Y 1 X Y 1 X
Y Y Y Y Y 0 Y 0 X 0 X X
X X X X X 0 X 1 0 X 0 X
X 1 0 X 1 1 0 1 X 1 1 X
0 1 X X 0 X X X X 0 X X
X X X X X X X 0 1 1 0 X
0 1 X X 1 0 X 1 0 0 1 X
1 0 X X 0 1 X X X X X X
F igura 4.11. Definición de puntos finales al menos una x y una y debe ser 1.
31
La imagen de salida es una imagen en blanco y negro con las mismas
dimensiones que la imagen de entrada.
Cada tipo de filtro fue probado para distintas imágenes de huellas con
características particulares.
Las pruebas correspondientes para cada uno de los filtros probados se muestran a
continuación:
Para todas las imágenes se logró la eliminac ión de todas las zonas donde se
encuentran los bordes rectos de la imagen y la eliminación de las zonas en
blanco no pertenecientes a la huella dactilar. También se eliminaron aquellos
números cercanos a los bordes rectos de la imagen.
32
En aquellas imágenes donde la zona de la huella dactilar no estaba cercana a
caracteres tipográficos o trazos manuscritos el filtro fue efectivo. Algunas de las
imágenes con el filtrado exitoso se muestran a continuación:
33
F igura N o. 4.16. Imagen O riginal (s0000003) F igura N o. 4.17. Imagen Resultante
Base de Datos N IS T-14 ([N IS T02]) F iltro de Limpieza ([WC G 94]) A plicado
En aquellas imágenes donde el filtro no fue del todo eficaz tenían como
característica predominante la existencia de algunas marcas tipográficas o
manuscritas que se encontraban encima o muy cercanas al área de la huella
dactilar. Algunas de estas imágenes se muestran a continuación:
34
F igura N o. 4.20. Imagen O riginal (f0000006) F igura N o. 4.21. Imagen Resultante
Base de Datos N IS T-14 ([N IS T02]) F iltro de Limpieza ([WC G 94]) A plicado
Las áreas que se encuentran señaladas con el óvalo de color rojo muestran
claramente el ruido que no se pudo eliminar de la huella dactilar debido a su
cercanía con la misma.
35
4.3.2. Binarización por el método de umbralización global
36
F igura N o. 4.13. Imagen de E ntrada
F igura N o. 4.24. Imagen Resultante
F iltro de Limpieza ([WC G 94]) A plicado
F iltro de Binarización por umbralización global
aplicado
38
F igura N o. 4.13. Imagen de E ntrada F igura N o. 4.27.Imagen Resultante
F iltro de Limpieza ([WC G 94]) A plicado F iltro de Binarización por umbralización local 64x64
aplicado
40
F igura N o. 4.30. Imagen Resultante
F iltro de Binarización por umbralización local 4x4 aplicado
Las imágenes con las cuales se probó el filtro fueron las imágenes de salida del
filtro de binarización por umbralización local (véase sección 4.3.2).
41
Las imágenes con el filtro aplicado se muestran a continuación:
42
F igura N o. 4.27. Imagen de E ntrada F igura N o. 4.31. Imagen Resultante
F iltro de Binarización por umbralización local F iltro de adelgazamiento aplicado
64x64 aplicado
El problema del filtro radica en que hay ocasiones en las cuales el filtro empieza
a conectar algunos surcos, generando bifurcaciones falsas, como por ejemplo, en
las zonas donde no se ven claramente las divisiones entre surcos, que
normalmente son zonas que en la imagen original estaban de color gris oscuro y
que en el proceso de binarización terminaron conectándose algunas líneas de
surcos.
4.3.5. Conclusiones
44
5. ETAPA DE EXTRACCION DE MINUCIAS DE LA HUELLA
DACTILAR
17
Véase ([JHHLT99], pp. 180-186)
45
Paso 3: Se divide el vector en pedazos iguales de cierto tamaño. Este proceso se le
conoce con el nombre de teselación.
Paso 4: Se pasan los bloques a una red neuronal clasificadora, en la que se utilizan
mas que todo los perceptrones multicapa. Normalmente, estas redes tienen una
arquitectura de tres niveles, es decir, que poseen tres capas de neuronas: La capa
de entrada, la capa oculta o intermedia y la capa de salida.
En el caso de la mayoría de las redes neuronales utilizadas para la extracción de
minucias, el número de neuronas de salida depende del tipo de minucias que se
van a identificar. La salida proveniente de estas neuronas determina si en el
bloque explorado corresponde a una minucia.
Este sistema requiere la aplicación de los siguientes pasos previos sobre la imagen
de la huella dactilar:
46
Una vez se encuentre preparada la imagen de la huella dactilar, se procede a rotar
la imagen de la huella dactilar de al forma que quede centrada.
La ubicación de las coordenadas del núcleo y del delta se realiza a través de:
18
Citado por Forero en: ([Forero04], p. 17)
47
“En este caso, se toman submatrices de bloques centralizadas en un bloque (i, j),
para las cuales se calcula la matriz de covarianza. El bloque (i,j) que registre el
mayor valor de covarianza negativa para los valores de las orientaciones y que se
encuentre más cercano al centro de la imagen, se toma como núcleo. El delta
corresponde a valores negativos o cercanos a cero.” ([Forero04], p. 18)
19
Citado por Forero en: ([Forero04], p. 33)
48
5.4. INFORMAC IÓN DE SALIDA DEL SISTEMA DE DETECCIÓN DE
MINUCIAS
1. Ubicación en la imagen (x,y) del núcleo y del delta. Esto es para poder
determinar el eje que marca la distancia entre el núcleo y el delta.
2. Coordenadas polares de ubicación de la huella dactilar. Estas coordenadas se
toman con base al eje definido entre la distancia del delta al núcleo.
3. Ángulo de de orientación de la minucia, medido con respecto al eje definido por
la distancia en línea recta entre el delta y el núcleo de la huella.
49
6. ETAPA DE DISEÑO E IMPLEMENTACIÓN DEL SISTEMA DE
PERSISTENCIA Y BÚSQUEDA
Para poder realizar la comparación entre una huella dactilar y otra, es necesario
establecer un criterio de similitud. Un criterio de similitud permite establecer los
elementos o propiedades de un objeto que comparte con respecto a uno o más
objetos sujetos de comparación.
Los criterios de similitud entre huellas dactilares que se van a tener en cuenta
tienen que ver con dos aspectos referentes a las características o clasificación de
las huellas dactilares:
• Clasificación de Henry
• Información de las minucias
El criterio de similitud para las huellas dactilares se define con respecto a las
clases de Henry. Una huella pertenece a la misma clase de Henry a la cual
pertenece otra huella dactilar siempre y cuando cumpla las propiedades típicas
de una huella de esa clase.
50
• La distribución de las huellas en las distintas clases sea tan uniforme como
sea posible, para que la reducción del tamaño sea más notable.
51
c c c
Entonces E ( x ) = ∑ Pk Np k = N ∑ Pk p k ≈ N ∑ pk2 haciendo uso del supuesto
k =1 k =1 k =1
c
E ( x ) = N ∑ pi2
i=1
p i = p + αi
c c c c c
∑ ( p + α i ) = ∑ p + ∑ αi = Cp + ∑ α i = 1 + ∑ α i = 1
i=1 i= 1 i =1 i =1 i =1
Debido a esto, la suma de los valores de desviación posibles debe ser igual a
0:
52
c
( ∑ αi = 0 )
i=1
c c c c c
E ( x ) = N ∑ ( p + α i ) 2 = N ∑ ( p 2 + 2 pα i + α i ) = N ∑ p 2 + N ∑ 2 pα i + N ∑α i
2 2
i =1 i=1 i= 1 i= 1
c c
E ( x ) = Eu ( x) + N ∑ α i y E u ( x) + N ∑ α i ≥ E u ( x )
2 2
i= 1 i =1
clasificación particular.
20
Fuente: ([CNB01], p. 278 (Edición Impresa))
53
• Positividad: (∀x|y∈X, d(x,y)≥0)
• Simetría: (∀x|y∈X, d(x,y)=d(y,x))
• Reflexividad: (∀x∈X|d(x,x)=0)
Para poder establecer una adecuada función de distancia, toca tener en cuenta
los datos que se pueden extraer de las minucias.
a. Tipo de Minucia: Los tipos de minucia que el sistema reconoce son las
bifurcaciones y las terminaciones.
b. Coordenadas de la Minucia. Estas coordenadas se encuentran representadas
bajo el sistema de coordenadas polar. Entonces, es necesario adaptar la
función de distancia de tal forma que se consideren comparaciones en
coordenadas polares.
c. Orientación de la minucia en grados.
V ∴U j
F (U j ) =
V ∪U j
k i ∈ (V ∴U j ) ⇔ { X − X i ≤ TX ; Y − Yi ≤ TY ; θ − θ i ≤ Tθ }
54
La función ∴ se puede interpretar como la cantidad de minucias comunes entre
dos huellas cuyo valor absoluto entre las diferencias de coordenadas ‘x’, ‘y’ y el
ángulo de orientación θ sean menores o iguales a unos valores máximos de
umbral. Estos valores de tolerancia para cada una de las coordenadas y la
orientación se ajustan de acuerdo a la confiabilidad de los datos de las
minucias obtenidas. Es posible que dos huellas tomadas del mismo dedo
obtenidas en diferentes momentos puedan causar en algunos casos (debido al
preprocesamiento y las condiciones de obtención de la huella) un leve
corrimiento de las coordenadas de ubicación, por esta razón toca considerar
estos valores.
• Una función de distancia debe tener valor 0 cuando los objetos a comparar
son iguales entre sí y tiene valor 1 cuando son completamente diferentes,
es decir, entre menor sea el valor de la función de distancia, los objetos
comparados tienen mayor grado de similitud.
• No se cumple la propiedad de simetría, debido a que el volumen de
minucias encontradas para dos tomas diferentes de una misma huella
pueden ser diferentes.
Para adaptar esta función para que sea una función de distancia, se puede
especificar la siguiente función de distancia en términos de la función de
puntaje:
Fd(Uj) = 1 – F(Uj)
55
se encuentra también acotada entre los valores 0 y 1, pero con la diferencia de
que se está cumpliendo la condición de que a menores valores de esta función
se indica una mayor similitud entre los objetos que se están comparando.
k i ∈ (V∆ U j ) ⇔ { R − Ri ≤ TR ; φ − φ i ≤ Tφ ; θ − θ i ≤ Tθ ; I = I i }
Si CHV ≠ CHUj:
Fd (U j ) = 1
De lo contrario,
V∆U j
Fd (U j ) =
V ∪U j
Siendo:
56
k i ∈ (V∆ U j ) ⇔ { R − Ri ≤ TR ; φ − φ i ≤ Tφ ; θ − θ i ≤ Tθ ; I = I i }
NN (q ) = {x : M | (∀y : M | d (x , q) ≤ d ( y , q))}
21
Fuente: ([CNB01], p. 279 (Edición Impresa))
57
6.2.2. k-Vecinos más cercanos
query (q, r) d = {x : M | d ( x , q) ≤ r}
58
Algunos de los métodos o algoritmos para poder realizar la búsqueda en las
huellas dactilares se muestran a continuación, haciendo mayor énfasis en los t-
Spanners.
22
Fuente: ([Paredes02], p. 7 (Edición Impresa))
59
elementos pertenecientes al conjunto y cada uno de los elementos del
subconjunto { p1, p2 ,..., pn }. Inicialmente, el espacio de búsqueda abarca todo
el conjunto de elementos.
2. Se eliminan del espacio de búsqueda todos aquellos elementos u
pertenecientes al conjunto de elementos que no cumplen la condición:
d ( pi , q) − d (u, pi ) > r , donde r es el valor que indica el radio máximo de
búsqueda.
3. Se repite el proceso 2 varias veces hasta que no se eliminen más elementos
dentro del espacio de búsqueda. Dentro del espacio de búsqueda resultante
se encuentra el(los) objeto(s) mas cercanos al elemento que se está
buscando.
Estos algoritmos normalmente funcionan para realizar búsquedas por rango, pero
han surgido varios criterios adicionales sobre la búsqueda que permiten que
estos algoritmos soporten las búsquedas de los vecinos cercanos y de los k-
vecinos cercanos. ([CNB01], p. 291 (Edición Impresa))
23
Fuente: ([Paredes02], p. 8 (Edición Impresa))
60
El criterio de radio incremental (véase sección 6.3.4) permite realizar esta
extensión.
r = a iε
6.3.5. t-Spanners
6.3.5.1. Definición
24
Fuente: ([CNB01], p.292 (Edición Impresa))
61
6.3.5.2. Aplicaciones de los t-Spanners para la búsqueda en espacios métricos
A partir de este grafo se puede construir un t-Spanner, de tal forma que sea un
grafo G’(V,A), el cual tenga la cantidad mínima de arcos para reducir la
memoria utilizada para su almacenamiento, y aproxime las distancias entre
objetos con un error de estimación t. ([Paredes02], p. 20)
25
6.3.5.3.1. Algoritmo Básico
Se parte de un grafo inicial sin arcos de tal forma que solo se tengan los
vértices, y las distancias entre un vértice y otro se definen en una matriz de la
siguiente forma:
25
Fuente: ([Paredes02] pp. 22-23 (Edición Impresa))
62
las condiciones de t-Spanner. Una vez realizada la inserción, se actualizan
todas las estimaciones de distancia.
26
6.3.5.3.2. Algoritmo Básico Optimizado de Paredes ([Paredes02])
26
Fuente: ([Paredes02] pp. 29-32 (Edición Impresa))
63
involucrados en el arco insertado. Si se actualiza, entonces se procede a
propagar los cálculos. ([Paredes02], p. 30 (Edición Impresa)).
r p = d ( pi , q)
r p − r ≤ d (u , p) ≤ r p + r
27
Fuente de la descripción del algoritmo A ESA : ([CNB01], pp. 290-291 (Edición Impresa))
64
5. Se repite el paso 4 hasta que no existan elementos candidatos a ser
seleccionados para realizar el paso 4.
Para que AESA pueda ser aplicado a un t-Spanner, toca tener en cuenta estos
dos aspectos:
Sea p ∈ U y d pq = d ( p, q ) ,
⎧ d t − Spanner ( p, u ) ≥ d pq − r
d (u , q ) ⇒ ⎨ d ( p, q )
⎩ d t − Spanner ( p, u ) ≤ t ⋅ (d pq + r )
2 / t +1
αt =
3
Por lo tanto, el criterio de selección de pivotes sería:
k +1
sumLB' (u ) = ∑ d ( p i , q − d t − Spanner ( p i , u ) ⋅ α t
i =0
65
6.4. PRUEBAS DEL SISTEMA DE PERSISTENCIA Y BÚSQUEDA
Si CHV ≠ CHUj:
Fd(Uj) = 1;
De lo contrario,
Fd(Uj) ≡ 1 - (V ∆ Uj / V ∪ Uj)
Siendo:
ki ∈(V∆U j ) ⇔ { R − Ri ≤ TR ; φ − φi ≤ Tφ ; θ − θ i ≤ Tθ ; I = Ii }
π π π
Y se probaron los siguientes valores de Tφ y Tθ .
16 8 4
66
7. ASPECTOS QUE SE PODRÍAN MEJORAR EN EL FUTURO
DEL SISTEMA AFIS PROPUESTO
• Translaciones
• Rotaciones
• Creación de distorsiones sobre las líneas de los surcos
• Adición de “cicatrices”
67
8. CONCLUSIONES
1. Preprocesamiento
68
2. Procesamiento
0 1 2 3 … n1
0 1 2 3 … na
Red
…
Neuronal
0 1 2 3 … nm
69
3. Búsqueda
2
BD
Info. Huellas
…
70
la huella formac iones semejantes a minucias, que son percibidas por el algoritmo
de detección. Estas falsas minucias también suelen aparecer en los sectores de
mala calidad de las huellas, se podría considerar la posib ilidad de descartar las
huellas con una alta tasa de sectores de baja calidad, o en huellas más limp ias no
tomar información de estos sectores.
71
REFERENCIAS Y BIBLIOGRAFIA
[JHHLT99] Jain, L. C.; Halic i, U.; Hayash i, I.; Lee S. B. & Tsutsui S. (1999).
“Intelligent Biometric Techniques in Fingerprint and Face
Recognition”. 1ra ed. The CRC Press International Series on
Computational Intelligence.
72
[JH96] Jain A. & Hong L. (1996). “On-line Fingerprint Verification” .
Recuperado el día 24 de Mayo de 2004 de:
http://citeseer.ist.psu.edu/jain96line.html
[JPHP00] Jain, Anil K.; Prabhakar, Salil; Hong, Lin & Pankanti, Sharath
(2000). "Filterbank-based Fingerprint Matching”. Recuperado el
día 2 de Septiembre de:
http://www.cse.msu.edu/publications/tech/TR/MSU-CSE-99-
33.ps.Z
73
[RAE] Real Academia Española. Diccionario de la lengua española.
XXII edición. Recuperado el día 23 de Febrero de 2005 de:
http://buscon.rae.es/diccionario/drae.htm
[ZHY] Zhang, Qinzhi; Huang, Kai & Yan, Hong (Año desconocido).
“Fingerprint Classification Based on Extraction and Analysis of
Singularities and Pseudoridges. School of Electrical and
Information Engineering. University of Sydney.
74