Story Transcript
SUMARIO 1.
Historia
2.
Formació Formación de las huellas
3.
Reconocimiento (tradicional) de huellas dactilares
4.
Adquisició Adquisición de huellas dactilares
5.
Reconocimiento (automá (automático) basado en minucias
6.
Reconocimiento (automá (automático) basado en texturas
Javier Ortega García
7.
Reconocimiento (automá (automático) basado en correlació correlación
EPS-UAM
8.
Evaluaciones competitivas
9.
Problemá Problemática actual y lí líneas futuras
Reconocimiento Automático de Huella Dactilar
Reconocimiento Automático de Huella Dactilar
1. Historia
2
1. Historia
Primeros trabajos y desarrollo inicial
Actualidad • A partir de añ años 60: sistemas automá automáticos – 2003: 200 millones de tarjetas impresas en archivos FBI – Miles de peticiones diarias de identificació identificación • Rápido crecimiento de aplicaciones comerciales civiles
• Evidencias arqueoló arqueológicas que relacionan huellas con identidad • Primeros trabajos cientí científicos: s. XVI (formació (formación anató anatómica, caracterizació caracterización, individualidad… individualidad…) • Inicialmente, investigació investigación en ámbito policial: s. XVIIIXVIII-XIX • Aceptació Aceptación formal como mé método de identificació identificación personal (principio s. XX) – Agencias gubernamentales – Bases de datos (DNI, criminales… criminales…) – Adquisició Adquisición de huellas latentes en escena de crimen… crimen… Reconocimiento Automático de Huella Dactilar
3
Reconocimiento Automático de Huella Dactilar
4
2. Formació Formación de las huellas
1. Historia Actualidad
Dactilograma: Figura formada por el relieve de crestas del dedo
• Huella dactilar sigue acaparando la mayorí mayoría del mercado
•Natural: observado directamente en las huellas de los dedos •Latente (huella (huella dactilar): dactilar): impresió impresión por contacto en una superficie •Artificial (impresi ón digital): (impresió digital): reproducció reproducción grá gráfica del natural
Reconocimiento Automático de Huella Dactilar
5
2. Formació Formación de las huellas
Reconocimiento Automático de Huella Dactilar
6
3. Reconocimiento de huellas dactilares •Puntos caracterí característicos de las crestas de huella
•Formació Formación de las huellas a partir del sé séptimo mes fetal
–Se definen varios cientos de tipos –La coincidencia en nú número suficiente de puntos caracterí característicos (tipo, ubicació ubicación, tamañ tamaño y orientació orientación) entre dos huellas implica que ambas huellas pertenecen inequí inequívocamente a la misma persona
•Perenne: invariabilidad hasta la descomposició descomposición postpost-mortem (excepto accidentes) y capacidad regenerativa
–El sistema judicial españ español fija ese nú número en 12
•Individualidad: son figuras de tal variedad que resultan totalmente caracterí características de cada individuo
INTERESANTES PARA IDENTIFICACIÓ IDENTIFICACIÓN PERSONAL
Reconocimiento Automático de Huella Dactilar
7
Reconocimiento Automático de Huella Dactilar
8
3. Reconocimiento de huellas dactilares
3. Reconocimiento de huellas dactilares
•Puntos caracterí característicos de las crestas de huella
•Puntos caracterí característicos de las crestas de huella
–A efectos prá prácticos, los sistemas automá automáticos suelen considerar solamente dos: terminació terminación y bifurcació bifurcación de cresta (minucias)
–Tipos de huella segú según el nú número de loops y deltas
–Existen otros dos tipos de puntos que permiten clasificar el tipo tipo de huella
9
Reconocimiento Automático de Huella Dactilar
4. Adquisició Adquisición de huellas dactilares
10
Reconocimiento Automático de Huella Dactilar
4. Adquisició Adquisición de huellas dactilares
•OffOff-line: line: Adquisició Adquisición tradicional mojando el dedo en tinta ÓPTICO
•OnOn-line: line: Presionando contra la superficie plana de un sensor –Sensor óptico: ptico: prisma iluminado, capta luz reflejada en el dedo
TÉRMICO (de desplazamiento)
CAPACITIVO
–Sensor de estado só sólido: lido: array de sensores de silicio en circuito abierto, el dedo cierra el circuito al ponerse sobre el sensor –Sensor de ultrasonidos: señal ultrasó ultrasónica ultrasonidos: captura de ecos de señ el dedo
Reconocimiento Automático de Huella Dactilar
reflejados en
11
Reconocimiento Automático de Huella Dactilar
12
5. Reconocimiento basado en minucias
5. Reconocimiento basado en minucias •Campo de orientació orientación –Angulo de las crestas con la horizontal –Calculo en bloques en lugar de pí píxeles (menos sensible a ruido) –El gradiente es perpendicular a la direcció dirección de las crestas –Ejemplo estimació estimación de mí mínimos cuadrados:
W = tamañ tamaño bloque de promediado Gx, Gy = gradiente en direcció dirección x, y –En ocasiones, el ángulo no se calcula correctamente debido al ruido o a la presencia de desperfectos en crestas y valles –Dado que el ángulo de cresta varí varía lentamente a lo largo de la huella (excepto en puntos singulares), se realiza un promediado (filtrado (filtrado paso bajo) Reconocimiento Automático de Huella Dactilar
13
5. Reconocimiento basado en minucias
14
5. Reconocimiento basado en minucias •Campo de orientació orientación
•Campo de orientació orientación
–Resultado:
–Ejemplo filtrado paso bajo:
Eliminació Eliminación incertidumbre entre direcciones de crestas opuestas
Reconocimiento Automático de Huella Dactilar
Ventana filtrado
Máscara paso bajo
–El campo de orientació orientación permite fijar pará parámetros de funciones adaptativas en pasos siguientes –Consistencia del campo de orientació ): orientación en el entorno de (i,j (i,j):
Entorno de promediado Reconocimiento Automático de Huella Dactilar
15
Diferencia de ángulo con zonas adyacentes
Reconocimiento Automático de Huella Dactilar
16
5. Reconocimiento basado en minucias
5. Reconocimiento basado en minucias
•Extracció Extracción regió región de interé interés
•Extracció Extracción de crestas
–Separar regió región de crestas y valles del fondo de la imagen
–Binarizació Binarización de la imagen en crestas y valles –Se filtra la huella con mascaras adaptativas gaussianas capaces de aumentar el nivel de gris en la direcció dirección normal a la direcció dirección de la cresta y se aplica un umbral al nivel de gris.
• En la zona de crestas y valles, la varianza de gris es alta en la la direcció dirección ortogonal a las crestas • En el fondo de la imagen, la varianza de gris es baja en todas las las direcciones
Anchura adaptada al tamañ tamaño de crestas tí típico
Ángulo segú según la orientació orientación de cada zona de la imagen
Reconocimiento Automático de Huella Dactilar
17
5. Reconocimiento basado en minucias
Reconocimiento Automático de Huella Dactilar
18
5. Reconocimiento basado en minucias
•Extracció Extracción de crestas
•Perfilado de crestas –Filtrado adicional de la imagen binaria • Realce de bordes: adició adición de componentes paso alto • Eliminació Eliminación de artefactos: filtrado con má máscaras de impulsos orientados segú según la direcció dirección de la cresta
Reconocimiento Automático de Huella Dactilar
19
Reconocimiento Automático de Huella Dactilar
20
5. Reconocimiento basado en minucias
5. Reconocimiento basado en minucias •Extracció píxel de cresta tenemos: Extracción de minucias: para un pí
•Adelgazamiento (thinning) thinning) de crestas: reducció reducción a anchura de un píxel
–Final de cresta: si el nú número de pí píxeles de cresta en el entorno es 1 –Bifurcació Bifurcación: si el nú número de pí píxeles de cresta en el entorno es 3 –Para cada minucia almacenamos: coordenadas, ángulo y muestreo de parte de la cresta asociada –Se realiza un postprocesado adicional que: • Elimina minucias cercanas al borde de la huella (final de cresta) cresta) • Sustituye grupos muy densos de minucias por una minucia central
•Eliminació Eliminación de imperfecciones
Reconocimiento Automático de Huella Dactilar
21
5. Reconocimiento basado en minucias
Reconocimiento Automático de Huella Dactilar
5. Reconocimiento basado en minucias
•Comparació Comparación de patrones de minucias
•Alineamiento: bú búsqueda minucias de referencia
–Alineamiento: estimar traslació traslación, rotació rotación y distorsió distorsión
–Menor distorsió distorsión en la parte central de la huella
–Matching: Matching: calcular la similitud entre ambos patrones alineados (bú (búsqueda de pares de minucias coincidentes)
–Tomando una minucia de cada huella, buscamos la similitud entre crestas asociadas y elegimos el par de minucias cuyas crestas asociadas sean má más parecidas
Reconocimiento Automático de Huella Dactilar
22
23
Reconocimiento Automático de Huella Dactilar
24
5. Reconocimiento basado en minucias
5. Reconocimiento basado en minucias •Matching
•Alineamiento
–Pasamos minucias a polares tomando como origen la minucia de referencia referencia (punto de má máxima consistencia)
–Obtenida la traslació traslación y rotació rotación, alineamos las minucias de ambas huellas respecto a la minucia de referencia
–Ordenamos las minucias en orden creciente de ángulo y distancia, formando sendas cadenas de puntos en polares, que será serán los patrones a comparar –Se efectú efectúa la comparació comparación de ambas cadenas mediante la minimizació minimización de una funció función de coste llamada distancia de edició edición, calculando el nú número total “Mpq” de minucias coincidentes en ambas cadenas –Calculamos una medida global de similitud S:
S = 100 ⇒ todas las minucias coincidentes M, N = nú número de minucias de cada huella
Reconocimiento Automático de Huella Dactilar
25
5. Reconocimiento basado en minucias
S = 0 ⇒ ninguna minucia coincidente
Reconocimiento Automático de Huella Dactilar
26
5. Reconocimiento basado en minucias
•Matching
•Matching
• para cada par de puntos de las cadenas de comparació comparación, se define un entorno capaz de indicar si dos minucias forman pareja • dicho entorno puede ser variable segú según la regió región donde se encuentra las minucias a comparar (distancia y ángulo), modelando así así distorsiones no lineales
Reconocimiento Automático de Huella Dactilar
27
Reconocimiento Automático de Huella Dactilar
28
5. Reconocimiento basado en minucias
5. Reconocimiento basado en minucias
•Problemas del mé método descrito
•Ejemplo de alternativas
–Extracció Extracción no fiable de minucias en regiones de baja calidad
–Extracció Extracción directa de minucias en imagen de gris
–Carga computacional de los algoritmos de binarizació binarización y adelgazamiento –Fallos en el alineamiento
–Alineamiento basado en nú núcleo y delta
Reconocimiento Automático de Huella Dactilar
29
Reconocimiento Automático de Huella Dactilar
30
6. Reconocimiento basado en texturas
5. Reconocimiento basado en minucias •Ejemplo de alternativas
•Patró Patrón de crestas y valles = textura orientada con frecuencia espacial espacial y orientació orientación localmente constante
–Alineamiento basado en loop y delta
–Frecuencia = variació variación perió periódica de gris entre crestas y valles –Orientació Orientación = direcció dirección del flujo de crestas
–Alineamiento basado en agrupaciones de minucias
Reconocimiento Automático de Huella Dactilar
31
Reconocimiento Automático de Huella Dactilar
32
6. Reconocimiento basado en texturas
6. Reconocimiento basado en texturas
•Filtrado con filtros de Gabor de diferente orientació orientación
•Filtrado con filtros de Gabor de diferente orientació orientación
(0º (0º, 22.5º 22.5º, 45º 45º, 67.5º 67.5º, 90º 90º, 112.5º 112.5º, 135º 135º, 157.5º 157.5º)
(0º (0º, 22.5º 22.5º, 45º 45º, 67.5º 67.5º, 90º 90º, 112.5º 112.5º, 135º 135º, 157.5º 157.5º)
Máscara gaussiana (pará (parámetros δx, δy)
Sinusoide frecuencia f (só (sólo en direcció dirección x’)
Rotació Rotación ángulo θ
Reconocimiento Automático de Huella Dactilar
33
6. Reconocimiento basado en texturas
Reconocimiento Automático de Huella Dactilar
6. Reconocimiento basado en texturas
•Filtrado con filtros de Gabor de diferente orientació orientación
•Filtrado con filtros de Gabor de diferente orientació orientación
(0º (0º, 22.5º 22.5º, 45º 45º, 67.5º 67.5º, 90º 90º, 112.5º 112.5º, 135º 135º, 157.5º 157.5º)
(0º (0º, 22.5º 22.5º, 45º 45º, 67.5º 67.5º, 90º 90º, 112.5º 112.5º, 135º 135º, 157.5º 157.5º)
Reconocimiento Automático de Huella Dactilar
34
35
Reconocimiento Automático de Huella Dactilar
36
6. Reconocimiento basado en texturas
7. Reconocimiento basado en correlació correlación •Correlació Correlación directamente entre imá imágenes de grises
•Ventajas: –Mayor robustez en presencia de ruido o baja calidad
•Selecció Selección de regiones locales siguiendo algú algún criterio. La correlació correlación se calcula solo en esas regiones, acelerando así así el proceso
–Vector de caracterí características de longitud constante –Menor carga computacional (no binarizació binarización, no adelgazado)
•La imagen de gris contiene toda la informació información original de la huella, frente a las minucias que solo contienen un conjunto finito de caracterí características
•Inconvenientes: –Menor capacidad discriminativa (mayor tasa de error)
•Dado que la correlació correlación se hace localmente, tenemos cierta robustez a deformaciones no lineales
Reconocimiento Automático de Huella Dactilar
37
7. Reconocimiento basado en correlació correlación
Reconocimiento Automático de Huella Dactilar
38
Resumen mé métodos reconocimiento •Minucias: –Mayor rendimiento (tasa de error) –Peor funcionamiento en condiciones de baja calidad. Mayor carga computacional
•Texturas y correlació correlación –Menor rendimiento (tasa de error). Menor carga computacional –Mejor funcionamiento en condiciones de baja calidad
Combinació Combinación de diferentes mé métodos FUSIÓ FUSIÓN Reconocimiento Automático de Huella Dactilar
39
Reconocimiento Automático de Huella Dactilar
40
8. Evaluaciones competitivas
9. Problemá Problemática actual y lílíneas futuras •Baja calidad de huellas
FVC –Fingerprint Verification Competition
–Humedad, suciedad, cortes en el dedo (temporales o permanentes), impresiones latentes de usuarios anteriores, cooperatividad… cooperatividad…
•Hasta la fecha, cuatro competiciones: 2000, 2002, 2004, 2006
–Mal funcionamiento de todas las etapas del sistema, sobre todo en en sistemas de minucias (pé (pérdida de minucias auté auténticas, introducció introducción de minucias falsas)
•4 bases de datos de 100 dedos, con diferentes escá escáneres, varias sesiones y variando las condiciones de captura (una de ellas de huellas generadas generadas sinté sintéticamente mediante software) •En 2004, la base de datos se forzó forzó a simular condiciones de baja calidad (dedos mojados en agua, secados con alcohol, exagerando la distorsió distorsión contra el sensor, sensor, etc.) El sistema ganador obtuvo un EER de 2.07%, frente al 0.19% de la edició edición de 2002
–Algoritmos de medida de calidad: rechazar una huella o ajustar de de distinta manera las etapas de procesado del sistema
•En 2004 se introdujo una “light category” category”, imponiendo un uso de memoria y tiempo de ejecució ejecución reducido. El sistema ganador obtuvo un 3.51% •Edició Edición de 2006 coco-organizada por el grupo ATVS de la UAM http:// bias.csr.unibo.it/fvc2006 /fvc2006 http://bias.csr.unibo.it
Reconocimiento Automático de Huella Dactilar
41
9. Problemá Problemática actual y lílíneas futuras
Reconocimiento Automático de Huella Dactilar
42
9. Problemá Problemática actual y lílíneas futuras •Ataques contra el sistema
•Sensores de reducido tamañ tamaño
–Interceptació Interceptación de canales del sistema –Huellas falsas
–Sólo capturan una porció porción de la huella, no siendo siempre la misma
•Interoperabilidad entre sensores –Sistemas adaptados para trabajar con un sensor en concreto
Reconocimiento Automático de Huella Dactilar
43
Reconocimiento Automático de Huella Dactilar
44
Bibliografí Bibliografía Bá Básica 1.
D.Maltoni, D.Maltoni, D.Maio, D.Maio, A.Jain and S.Prabhakar, S.Prabhakar, Handbook of Fingerprint Recognition, Recognition, Springer 2003. ISBN: 00-387387-9543195431-7
2.
M. Tistarelli and J. Bigun and E. Grosso (Eds.), Advanced Studies in Biometrics, Biometrics, Springer LNCSLNCS-3161, pp. 11-18, May 2005
3.
http://atvs.ii.uam.es http://atvs.ii.uam.es
4.
http://biometrics.cse.msu.edu/
Reconocimiento Automático de Huella Dactilar
45