Tesis Jose Enrique Suarez Pascual
Tesis Jose Enrique Suarez Pascual
Tesis Jose Enrique Suarez Pascual
Mecanismos de Captura y
Procesado de Imágenes de
Venas para Identificación
Personal
Autor:
D. José Enrique Suárez Pascual
Directores:
Dr. D. Raúl Sánchez Reíllo
Dr. D. Michael V. García Lorenz
Presidente:
Vocal:
Vocal:
Vocal:
Secretario:
Calificación:
Leganés, 2011
Hasta aquí hemos llegado …
.... que no es poco
Agradecimientos
Tengo que citar igualmente a mis compañeras del IES Julio Verne (Olga
y Maribel) y a mis compañeros del IES Isabel la Católica (Vicente, Manuel,
Alberto, José Manuel y Maria Ángeles), por soportarme a mí y a mis
“cachivaches” de prueba en los departamentos durante estos 4 años. También
un agradecimiento especial a mi compañero de trabajos vasculares del
departamento GUTI, Jaime de Uriarte, por su inestimable ayuda con el
MATLAB cada vez que me quedaba atascado en algún punto.
I
Resumen
III
Resumen
IV
Abstract
V
Abstract
with 100 users from different ages, races and sex, obtaining the results shown
at the end of this PhD thesis, which confirm the future viability of the proposed
solution. Finally, future investigation points are given to enhance the solution
and to get better results, as well as to obtain a major comfort for the user
sample captures.
VI
Índice
1 Introducción .......................................................................... 1
2 Sistemas biométricos........................................................... 7
2.1 Introducción ............................................................................................. 7
2.2 Reclutamiento, autenticación e identificación .......................................... 8
2.3 Diagrama de bloques de un sistema biométrico ...................................... 9
2.4 Parámetros de medida y curvas de un sistema biométrico.................... 10
2.4.1 Tasas de falsos negativos (FNMR/FRR) ........................................................................ 10
2.4.2 Tasas de falsos positivos (FMR/FAR) ............................................................................ 10
2.4.3 Tasa de igual error (EER/CER) ...................................................................................... 11
2.4.4 Curvas EER .................................................................................................................... 11
2.4.5 Curvas ROC y DET ........................................................................................................ 12
2.4.6 Curvas de distribución de probabilidad .......................................................................... 13
2.5 Factores a cumplir por un sistema biométrico ....................................... 13
2.6 Modalidades biométricas ....................................................................... 14
2.7 Conclusiones ......................................................................................... 16
VII
Índice
VIII
Índice
IX
Índice
X
Índice de tablas
Índice de figuras
XI
Índice de figuras
XII
Índice de figuras
XIII
Índice de figuras
XIV
Índice de figuras
XV
Índice de figuras
XVI
Índice de figuras
XVII
Índice de figuras
XVIII
Índice de figuras
XIX
Índice de figuras
XX
Acrónimos
XXI
Capítulo 1:
Introducción
Página 1
Capítulo 1: Introducción
Página 2
Capítulo 1: Introducción
Página 3
Capítulo 1: Introducción
Página 4
Capítulo 1: Introducción
Página 5
Capítulo 1: Introducción
Página 6
Capítulo 2:
Sistemas biométricos
2.1 Introducción
Antes de comenzar con la exposición de la Tesis, sus algoritmos y
conclusiones, se va dar en este capítulo una visión general sobre los sistemas
biométricos y la biometría en general, explicando sus características y
parámetros más importantes, necesarios para la comprensión del trabajo
descrito en este documento.
Página 7
Capítulo 2: Sistemas biométricos
Página 8
Capítulo 2: Sistemas biométricos
Página 9
Capítulo 2: Sistemas biométricos
Sin embargo, tal como indica el Dr. Raúl Sánchez Reíllo en [REI06a], la
probabilidad de que dos imágenes tomadas del mismo sujeto sean idénticas es
prácticamente nula y/o la probabilidad de que dos vectores de características
obtenidos de dos imágenes del mismo sujeto sean iguales es muy baja.
Las tasas de falsos positivos son dos: False Match Rate (FMR) y False
Acceptance Rate (FAR). La primera expresa el porcentaje de veces en las que
el algoritmo de comparación da como iguales dos muestras de usuarios
distintos. La segunda indica el porcentaje de veces que ocurre que un intruso
es reconocido por el sistema o que un usuario es erróneamente identificado.
De la misma forma, hay que intentar que se acerquen lo más posible a cero.
Página 10
Capítulo 2: Sistemas biométricos
Las dos tasas de error anteriores son complementarias. Jugando con los
parámetros del sistema se puede forzar la calidad de un sistema biométrico,
intentando que uno de los dos sea cero, pero a costa de que el otro
probablemente suba. Ambos, sin embargo, por sí solos no dan una idea clara
de dicha calidad, por lo que se suelen fundir en un nuevo parámetro, Equal
Error Rate (EER) o tasa de igual error, también denominado Cross-over Error
Rate (CER) o tasa de cruce de error, que indica el punto en el que FAR y FMR
tienen el mismo valor. Este parámetro da una primera idea del rendimiento del
sistema, aunque no es totalmente determinante, ya que el sistema puede que
se configure para que trabaje en un punto distinto del EER, ya bien sea para
aumentar la usabilidad (disminuyendo el FRR) o para aumentar la seguridad
(disminuyendo el FAR).
Página 11
Capítulo 2: Sistemas biométricos
Otras curvas que se utiliza para representar los mismos tres parámetros
anteriores son las curvas ROC (Receiver Operating Characteristic) o DET
(Detection Error Trade-off).
En las curvas ROC se representa una curva logarítmica con ejes en los
valores de FNMR (eje de ordenadas) y FMR (eje de abscisas), de forma que el
valor EER es el punto de la diagonal con pendiente 1. En las curvas DET se
hace básicamente lo mismo pero se utiliza una escala de desviación normal en
ambos ejes. El sistema biométrico será tanto mejor cuanto más se pegue la
curva al vértice superior izquierdo (curva ROC) o al vértice superior derecho
(curva DET). A continuación, se muestra un ejemplo de curvas DET y ROC en
la figura 3.
Curvas ROC
Curva DET
Curvas DET
Página 12
Capítulo 2: Sistemas biométricos
Las curvas ERR, ROC y DET dan una idea muy buena de la calidad,
pero no deben tomarse como un factor determinante para la misma. Hay otro
tipo de curva que también se debe utilizar para esta tarea y que complementa a
las curvas anteriores. Es la llamada curva de distribución de probabilidad. En
estas curvas se representan normalizadas las curvas de distribución de
probabilidad de los parámetros FAR y FRR, de forma que el sistema será tanto
mejor cuanto más separadas estén las curvas de distribución de probabilidad y
menor sea el área de intersección de las mismas. Si existe intersección entre
las curvas FAR y FRR, para cada umbral se puede conocer el valor de sus
valores. La figura 4 muestra un ejemplo general de curvas de distribución de
probabilidad para FAR y FRR en la que se pueden observar sus valores para
un umbral seleccionado.
Umbral
Página 13
Capítulo 2: Sistemas biométricos
• Coste: Tanto de los equipos hardware y del software, así como el coste
de implantación. Deberían ser lo más bajos posible.
Página 14
Capítulo 2: Sistemas biométricos
• Iris: Se obtiene una foto o una secuencia de video del ojo del sujeto, se
aísla el iris y se extraen las características del mismo.
• Retina: Se toma una imagen del fondo del ojo y se analiza la capilaridad
existente en la pared de la retina.
A priori no se puede decir que una técnica sea mejor que otra, depende
de la aplicación y del objetivo perseguido. Incluso sería deseable mezclar
Página 15
Capítulo 2: Sistemas biométricos
varias entre sí. La figura 5 ilustra cada una de las modalidades mencionadas
anteriormente.
2.7 Conclusiones
Página 16
Capítulo 3:
Biometría vascular
3.1 Introducción
Dentro de todas las modalidades biométricas existentes actualmente y
explicadas en el punto 2.6, la biometría vascular es la modalidad más
novedosa. En el presente capítulo se va a explicar en detalle en qué consiste
esta modalidad y se van a exponer las distintas tecnologías existentes antes de
iniciar esta Tesis.
Página 17
Capítulo 3: Biometría vascular
realmente elevada porque esta modalidad es mucho más difícil de falsificar que
otras ya descritas.
Página 18
Capítulo 3: Biometría vascular
Figura 7: Imagen de venas utilizando cámaras CCD e iluminación por infrarrojos [VBS07]
Página 19
Capítulo 3: Biometría vascular
Página 20
Capítulo 3: Biometría vascular
dA(x,y) = in f{l(p)},
Página 21
Capítulo 3: Biometría vascular
Página 22
Capítulo 3: Biometría vascular
Página 23
Capítulo 3: Biometría vascular
Página 24
Capítulo 3: Biometría vascular
Página 25
Capítulo 3: Biometría vascular
Página 26
Capítulo 3: Biometría vascular
Página 27
Capítulo 3: Biometría vascular
3.7 Conclusiones
Página 28
Capítulo 3: Biometría vascular
Página 29
Capítulo 3: Biometría vascular
Página 30
Capítulo 4:
4.1 Introducción
A partir de este capítulo se van a empezar a exponer los estudios y
trabajos desarrollados en esta Tesis Doctoral, basándose en las conclusiones
del Estado de la Técnica descritas en el capítulo anterior.
Página 31
Capítulo 4: Sistema de captura de imágenes
Página 32
Capítulo 4: Sistema de captura de imágenes
El ojo humano solo es capaz de detectar la luz visible, la cual está dentro
de un rango muy estrecho de todo el espectro electromagnético. La visibilidad
de las venas debajo de la piel es muy baja en condiciones de luz normal. Sin
embargo, esto se puede resolver utilizando la zona infrarroja cercana (NIR)
(entre 800 y 950 nm). En la figura 11 se observa que los sensores CCD
utilizados para la captura de las imágenes son precisamente más sensibles
cuando la luz que incide sobre ellos tiene una longitud de onda entre 600 y 900
nm, es decir, la zona alta del espectro visible y la zona baja del espectro
infrarrojo (o sea, la zona NIR).
Página 33
Capítulo 4: Sistema de captura de imágenes
3 mm
Página 34
Capítulo 4: Sistema de captura de imágenes
Figura 7.-
Figura 14: Diferencia entre los niveles de absorción espectral de la hemoglobina oxigenada
(HbO2) y desoxigenada (Hb) [EAS09]
Página 35
Capítulo 4: Sistema de captura de imágenes
Página 36
Capítulo 4: Sistema de captura de imágenes
Página 37
Capítulo 4: Sistema de captura de imágenes
Página 38
Capítulo 4: Sistema de captura de imágenes
Página 39
Capítulo 4: Sistema de captura de imágenes
Iluminación Cámara
Reflexión
Objetivo
Reflexión
Filtro B+W 52 092
Filtro B+W 52 093
Mano
Figura 22: Principio de funcionamiento del sistema de captura de imágenes con iluminación
superior
Página 40
Capítulo 4: Sistema de captura de imágenes
24 muestra diferentes vistas del mismo prototipo (alzado, planta y perfil) junto
con el sistema completamente cubierto con la tapa de protección.
Figura 24: Diferentes vistas del sistema de captura de imágenes con iluminación superior
Página 41
Capítulo 4: Sistema de captura de imágenes
Figura 25: Imágenes de buena calidad obtenidas con el sistema de captura con iluminación
superior
Figura 26: Imágenes de baja calidad obtenidas con el sistema de captura con iluminación
superior
Página 42
Capítulo 4: Sistema de captura de imágenes
Página 43
Capítulo 4: Sistema de captura de imágenes
Sistema de Iluminación
fijación de la Mano
mano
Reflexión
Reflexión
Papel difusor Papel difusor
Matriz de LED
Matriz de LED
Cámara
Figura 27: Principio de funcionamiento del sistema de captura de imágenes reducido con
iluminación superior
Página 44
Capítulo 4: Sistema de captura de imágenes
Figura 29: Diferentes vistas del sistema de captura de imágenes reducido con iluminación
superior
Página 45
Capítulo 4: Sistema de captura de imágenes
Figura 30: Imágenes de buena calidad para las palmas obtenidas con el sistema de captura
reducido con iluminación superior
Figura 31: Imágenes de baja calidad para las palmas obtenidas con el sistema de captura
reducido con iluminación superior
Página 46
Capítulo 4: Sistema de captura de imágenes
Figura 32: Imágenes para las muñecas obtenidas con el sistema de captura reducido con
iluminación superior
Esto hace que todavía no se pueda dar validez a este sistema para su
utilización en el sistema de identificación biométrico vascular completo y se
siguieran buscando otras soluciones alternativas.
Página 47
Capítulo 4: Sistema de captura de imágenes
Iluminación
Sistema de
fijación de la Mano
mano Reflexión
Reflexión
Sistema
SAX
Cámara
Figura 33: Principio de funcionamiento del sistema de captura de imágenes con iluminación
prismática
Página 48
Capítulo 4: Sistema de captura de imágenes
Figura 35: Diferentes vistas del sistema de captura de imágenes con iluminación prismática
Página 49
Capítulo 4: Sistema de captura de imágenes
Figura 36: Imágenes para las palmas obtenidas con el sistema de iluminación prismática
Página 50
Capítulo 4: Sistema de captura de imágenes
Figura 37: Imágenes para las muñecas obtenidas con el sistema de iluminación prismática
Tal como se puede observar a simple vista, los resultados obtenidos con
este sistema no mejoran a los dos primeros ni se resuelve el problema
fundamental de brillos, sombras y homogeneización para las imágenes
capturadas. Tal como se indicó en el diagrama de bloques general de la figura
1, la captura de la imagen es el primer paso del sistema biométrico completo,
de forma que cuanto mejor calidad tenga (es decir, mayor sea la diferencia
entre las venas y la carne de alrededor y menos brillos y sombras presente),
más sencillos serán los algoritmos de preprocesado y extracción de
características y el sistema total debería presentar tiempos de ejecución más
pequeños. Por eso se decide probar con otro tipo de iluminación para
conseguir este objetivo y se descarta totalmente ese sistema que ni siquiera se
incluye en las pruebas de calidad del punto 4.7 a la vista de lo observado.
Página 51
Capítulo 4: Sistema de captura de imágenes
Página 52
Capítulo 4: Sistema de captura de imágenes
Reflexión
Cámara
Figura 39: Principio de funcionamiento del sistema de captura de imágenes con iluminación por
bóveda
Página 53
Capítulo 4: Sistema de captura de imágenes
Figura 40: Sistema de captura de imágenes con iluminación por bóveda y sistema primitivo de
fijación para la muñeca
Figura 41: Diferentes vistas del sistema de captura de imágenes con iluminación por bóveda
Página 54
Capítulo 4: Sistema de captura de imágenes
Página 55
Capítulo 4: Sistema de captura de imágenes
Figura 42: Imágenes obtenidas con el sistema de captura con iluminación por bóveda
(Ganancia 260, Gamma 40 / Ganancia 260, Gamma 60)
Figura 43: Imágenes obtenidas con el sistema de captura con iluminación por bóveda
(Ganancia 260, Gamma 100 / Ganancia 300, Gamma 40)
Figura 44: Imágenes obtenidas con el sistema de captura con iluminación por bóveda
(Ganancia 300, Gamma 60 / Ganancia 300, Gamma 100)
Página 56
Capítulo 4: Sistema de captura de imágenes
Página 57
Capítulo 4: Sistema de captura de imágenes
7 10
5 6 8 9
4
11
3 12
1
Figura 46: Diferentes vistas de sistema de captura de imágenes con iluminación por bóveda y
el sistema final de fijación para la muñeca
Página 58
Capítulo 4: Sistema de captura de imágenes
7 10
5 6 8 9
4
3 1 (debajo)
12
11
Figura 47: Principio de funcionamiento del sistema final de fijación para la muñeca
Página 59
Capítulo 4: Sistema de captura de imágenes
Figura 48: Imágenes obtenidas con el sistema de iluminación por bóveda y el sistema primitivo
de fijación
Página 60
Capítulo 4: Sistema de captura de imágenes
Figura 49: Imágenes obtenidas con el sistema de iluminación por bóveda y el sistema final de
fijación
Tal como se observa, las imágenes de la figura 49 son casi idénticas por
la reducción casi absoluta de los grados de libertad para el usuario, mientras
que en la figuras 48 se observan diferencias en la posición de las muñecas,
que provocarían una complicación en los algoritmos utilizados en los capítulos
5 y 6. Por eso se decidió tomar la base de datos de muestras de más usuarios
utilizando el sistema de posicionamiento de las figuras 45, 46 y 47 y desarrollar
los algoritmos en función de estas imágenes.
Página 61
Capítulo 4: Sistema de captura de imágenes
4. Se hace el cálculo medio del valor de todos los píxeles que pertenecen a
la vena en una imagen, mediante la siguiente ecuación:
5. Se hace el cálculo medio del valor de todos los píxeles que pertenecen a
la carne en una imagen, mediante la siguiente ecuación:
Dimagen z = Xv - XC
DAprototipo = Σ Dimagen z / 10
Página 62
Capítulo 4: Sistema de captura de imágenes
4. Se hace el cálculo del valor máximo de todos los píxeles que pertenecen
a la carne en una imagen, mediante la siguiente ecuación:
5. Se hace el cálculo del valor mínimo de todos los píxeles que pertenecen
a la carne en una imagen, mediante la siguiente ecuación:
DBprototipo = Σ Dimagen z / 10
Página 63
Capítulo 4: Sistema de captura de imágenes
DCprototipo = Σ Dimagen z / 10
Página 64
Capítulo 4: Sistema de captura de imágenes
Página 65
Capítulo 4: Sistema de captura de imágenes
Página 66
Capítulo 4: Sistema de captura de imágenes
4.8 Conclusiones
Página 67
Capítulo 4: Sistema de captura de imágenes
Página 68
Capítulo 5:
Preprocesado y extracción de
características
5.1 Introducción
En el capítulo anterior se ha explicado el sistema de captura de
imágenes utilizado en esta Tesis Doctoral, es decir, la parte HW del sistema
biométrico vascular completo, pero falta la parte SW, es decir, la parte de
preprocesado de las imágenes, la extracción de características y los métodos
de análisis para el reconocimiento. Toda esta parte SW se ha realizado
implementando la plataforma de pruebas abierta mostrada en el anexo. A partir
de este punto se van a tratar cada uno de estos aspectos.
Página 69
Capítulo 5: Preprocesado y extracción de características
Es importante destacar que hay una ligera variación entre la ROI de los
patrones obtenidos en el reclutamiento, y la ROI de las muestras obtenidas en
el proceso de reconocimiento. A continuación se detalla la extracción de la ROI
en ambos casos.
Página 70
Capítulo 5: Preprocesado y extracción de características
Página 71
Capítulo 5: Preprocesado y extracción de características
Página 72
Capítulo 5: Preprocesado y extracción de características
Figura 54: Imagen del patrón tras la eliminación de píxeles interiores erróneos
5. El quinto paso es aplicar unos valores heurísticos (d1 y d2, de forma que
d1 = d2) que reduzcan la distancia dM patron y obtener el valor de lado dC
patron (dC patron = dM patron - d1 - d2) de la ROI cuadrada (dC patron x dC patron)
que asegure que toda la información contenida en la ROI cuadrada
quede dentro de la zona de la imagen de la muñeca evitando en lo
posible zonas de fondo.
Página 73
x_min
Capítulo 5: Preprocesado y extracción de características
dC patron ROI
480
pixeles
Fila ROW_ROI x1 x2
d1 d2
dC patron
dM patron
640 pixeles
Página 74
Capítulo 5: Preprocesado y extracción de características
dC muestra ROI
480
pixeles
Fila ROW_ROI x1 x2
d1 dC muestra = dC patron d2
dM muestra
640 pixeles
Página 75
Capítulo 5: Preprocesado y extracción de características
Imágenes originales
ROIs extraídas
Página 76
Capítulo 5: Preprocesado y extracción de características
IS = I * Gσs ,
donde * es la operación de convolución
T T T 0
I’ = IS * (G’σd) = (I * Gσs) * (G’σd) = I * (Gσs * (G’σd) ) = I * H1
T T T 0
I’’ = IS * (G’’σd) = (I * Gσs) * (G’’σd) = I * (Gσs * (G’’σd) ) = I * H2 ,
Página 77
Capítulo 5: Preprocesado y extracción de características
1
L0 (x,y) = I’’ (x,y), si I’ (x,y) = 0 o bien I’ (x,y) x I’ (x+1,y) < 0
1
L0 (x,y) = 0 en cualquier otro caso
2 1 1
L0 (x,y) = L0 (x,y), si L0 (x,y) > 0
2
L0 (x,y) = 0 en cualquier otro caso
Como las líneas de las palmas (y las venas) no tienen direcciones fijas,
hace faltan más detectores de línea en otras direcciones. Estos detectores de
línea en cualquier dirección θ se pueden obtener simplemente rotando H10 y
H20 el ángulo θ. Las líneas en la dirección θ se pueden obtener buscando los
puntos de paso por cero en la dirección θ+90.
L(i,j) = OR Lθ(i,j),
donde OR es la operación OR de las imágenes parciales
Las direcciones propuestas para la extracción son 0º, 45º, 90º y 135º,
pero para la extracción de las venas se elimina la dirección de 0º, ya que tras
las primeras pruebas con venas se observa que no aportan ninguna
información adicional. El problema de adaptar este método a las imágenes de
las ROI mostradas en la figura 57 es que los valores de σs y σd propuestos en
Página 78
Capítulo 5: Preprocesado y extracción de características
Además, para extraer con precisión las líneas de las venas hace falta
implementar alguna función adicional a la función básica explicada en el punto
anterior, de forma que el algoritmo completo de extracción de características a
partir de la ROI se muestra en la figura 58 (para muestras y patrones).
ROI
45º
Binarización de la matriz Lo y para obtener Binarización de la matriz Lo
90º
para obtener la
45º
la matriz L0B y dilatación de Z pixels 90º
matriz L0B y dilatación de Z pixels
135º
Binarización de la matriz Lo para obtener
135º
la matriz L0B y dilatación de Z pixels
Dilatación de la imagen final obtenida N pixels para obtener el Sólo para los
Ф patrones
patrón del usuario, obteniendo la matriz final Ln(i,j)Red
Página 79
Capítulo 5: Preprocesado y extracción de características
Página 80
Capítulo 5: Preprocesado y extracción de características
el punto 5.3.1, que los autores defienden que funciona muy bien con líneas
de la palma de la mano, no obtiene unos resultados tan buenos al aplicarlo
a imágenes con venas ya que aparecen muchos puntos y líneas pequeñas
incorrectas, a pesar de haber ajustado los parámetros σs y σd de manera
heurística para obtener imágenes bastante correctas (como se observa en
la figura 60). El principio de funcionamiento de esta función se muestra en la
figura 59.
Conservación de la Eliminación de la
zona XC en la zona XC en la
imagen imagen
Página 81
Capítulo 5: Preprocesado y extracción de características
a) ROI extraída
90º
b) Matriz L0B y la aplicación de la dilatación Z = 4 píxeles
45º
c) Matriz L0B y la aplicación de la dilatación Z = 4 píxeles
Página 82
Capítulo 5: Preprocesado y extracción de características
135º
d) Matriz L0B y la aplicación de la dilatación Z = 4 píxeles
Página 83
Capítulo 5: Preprocesado y extracción de características
Página 84
Capítulo 5: Preprocesado y extracción de características
5.4 Conclusiones
2. Habría que realizar más pruebas con nuevos usuarios para ajustar los
parámetros de extracción de características mencionados en el punto
5.3, especialmente el parámetro CN MAX, que ha sido elegido
completamente de manera heurística y podría ajustarse con más detalle
en cada muestra, haciendo un análisis previo más exacto de la misma.
Página 85
Capítulo 5: Preprocesado y extracción de características
Página 86
Capítulo 6:
6.1 Introducción
Una vez que se tienen las características de las muestras (en este caso,
la imagen de las venas extraídas según los procedimientos indicados en el
capítulo 5), el último paso del sistema biométrico vascular completo es realizar
la comparación para el reconocimiento. Tal como ya se ha explicado en el
punto 2.2, se puede realizar una autenticación (es decir, comprobar la muestra
de un usuario con su patrón guardado en el PC y decidir si el porcentaje de
coincidencia es adecuado para su validación – identificación 1:1), o bien
realizar una identificación (es decir, comprobar la muestra de un usuario con
todos los patrones guardados en el PC de todos los usuarios y decidir si el
porcentaje de coincidencia es adecuado para alguno de ellos – identificación
1:N).
Página 87
Capítulo 6: Métodos de comparación para el reconocimiento
R1 = dM muestra – dM patron
Página 88
Capítulo 6: Métodos de comparación para el reconocimiento
Figura 62: Decisión de aceptación potencial con el método de análisis basado en el diferente
ancho de la muñeca
Figura 63: Decisión de rechazo con el método de análisis basado en el diferente ancho
de la muñeca
Página 89
Capítulo 6: Métodos de comparación para el reconocimiento
Max. value in pixels for the first authentication method in case of the
10
identification of same users
Página 90
Capítulo 6: Métodos de comparación para el reconocimiento
6.3.1 Descripción
Si RT(x,y) = 0 -> CT = CT +1
Si RT(x,y) = 1 -> CT = CT
Si RT(x,y) = 2 -> CT = CT
Si CT >= Si CT <
MIN_INSIDE_POINTS_PERCENTAGE MIN_INSIDE_POINTS_PERCENTAGE
Página 91
Capítulo 6: Métodos de comparación para el reconocimiento
Página 92
Capítulo 6: Métodos de comparación para el reconocimiento
d) Obtención de RT = Am+ Ap
Página 93
Capítulo 6: Métodos de comparación para el reconocimiento
Página 94
Capítulo 6: Métodos de comparación para el reconocimiento
e) Obtención de RT = Am+ Ap
1,200
1,000 1,000
0,800
0,600
0,429
0,400
0,286
0,200
0,143 0,143
0,000 0,000
0,000 0,000 0,000 0,000 0,000 0,000
0,000 0,000
0,000 0,000
0,000 0,000 0,000
0,000
0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100
Umbral
Verificación con diferentes usuarios (identificación) Verificación con el mismo usuario (autenticación)
Figura 67: Curva de distribución de probabilidad de los resultados obtenidos con el método de
comparación orientable completa al comparar un usuario con los 22 usuarios de la base de
datos
Página 95
Capítulo 6: Métodos de comparación para el reconocimiento
Figura 68: Decisión de rechazo errónea por desviación en las imágenes de muestra y patrón
Página 96
Capítulo 6: Métodos de comparación para el reconocimiento
3 2 4
1
Figura 69: Principio de funcionamiento gráfico de las traslaciones y rotaciones realizadas por la
variante del algoritmo
Página 97
Capítulo 6: Métodos de comparación para el reconocimiento
MT = (RC+RAC)*TL*TR*TU*TD+1
Página 98
Capítulo 6: Métodos de comparación para el reconocimiento
Si CT >= Si CT <
MIN_INSIDE_POINTS_PERCENTAGE MIN_INSIDE_POINTS_PERCENTAGE
Página 99
Capítulo 6: Métodos de comparación para el reconocimiento
0,300
0,250
0,245
0,224
0,200
0,150
0,143
0,100 0,102
Umbral
Página 100
Capítulo 6: Métodos de comparación para el reconocimiento
6.4 Conclusiones
Página 101
Capítulo 6: Métodos de comparación para el reconocimiento
Página 102
Capítulo 7:
Optimización de la solución
propuesta
7.1 Introducción
En este capítulo se van a indicar los valores más óptimos para los
diferentes parámetros de los sistemas HW y algoritmos explicados en los
capítulos 4, 5 y 6. En primer lugar se van a analizar los parámetros del sistema
de captura de imágenes, a continuación los parámetros necesarios para el
preprocesamiento, en tercer lugar los parámetros necesarios para la extracción
de características y se finalizará con los parámetros necesarios para los
algoritmos de comparación.
Para obtener las imágenes representadas en las figuras 48, 49 y 57, con
las que los algoritmos software dan buenos resultados, se ha utilizado la
siguiente configuración:
Página 103
Capítulo 7: Optimización de la solución propuesta
o EXPOSICIÓN: 1/30
o GAMMA: 50
Página 104
Capítulo 7: Optimización de la solución propuesta
Figura 72: Imágenes obtenidas con diferentes valores para el parámetro de la alimentación de
la cámara
Página 105
Capítulo 7: Optimización de la solución propuesta
Figura 73: Imágenes obtenidas con diferentes valores para el parámetro de la exposición del
software de la cámara
Página 106
Capítulo 7: Optimización de la solución propuesta
Gamma = 20 Gamma = 30
Gamma = 40 Gamma = 50
Gamma = 60 Gamma = 70
Gamma = 80 Gamma = 90
Figura 74: Imágenes obtenidas con diferentes valores para el parámetro Gamma del software
de la cámara
Página 107
Capítulo 7: Optimización de la solución propuesta
Tabla 3: Resultados del estudio de calidad para los parámetros del sistema de iluminación
Página 108
Capítulo 7: Optimización de la solución propuesta
Página 109
Capítulo 7: Optimización de la solución propuesta
Imagen ROI
Imagen I’
Resultado:
Figura 75: Ajustes para la extracción de características: N1=9; N2=5; SS=1,8; SD=0,5
Página 110
Capítulo 7: Optimización de la solución propuesta
Imagen ROI
Imagen I’
Resultado:
Figura 76: Ajustes para la extracción de características: N1=20; N2=30; SS=1,8; SD=0,5
Página 111
Capítulo 7: Optimización de la solución propuesta
Imagen ROI
Imagen I’
Resultado:
Figura 77: Ajustes para la extracción de características: N1=20; N2=30; SS=6,8; SD=3,5
Página 112
Capítulo 7: Optimización de la solución propuesta
Imagen ROI
Imagen I’
Resultado:
Figura 78: Ajustes para la extracción de características: N1=20; N2=30; SS=6,8; SD=4,5
Página 113
Capítulo 7: Optimización de la solución propuesta
Imagen de la ROI
Página 114
Capítulo 7: Optimización de la solución propuesta
Página 115
Capítulo 7: Optimización de la solución propuesta
Página 116
Capítulo 7: Optimización de la solución propuesta
Página 117
Capítulo 7: Optimización de la solución propuesta
7.6 Conclusiones
Página 118
Capítulo 8:
Resultados obtenidos
8.1 Introducción
Finalmente, en este capítulo se van a presentar los resultados de las
pruebas realizadas para las diversas opciones ya explicadas. Se van a ir
mostrando las pruebas que se realizaron cronológicamente para confirmar
todas las conclusiones dadas en los capítulos 4, 5, 6 y 7 y el porqué de cada
decisión tomada a la hora de ir modificando el sistema de captura de imágenes
y los algoritmos software a la vista de los resultados obtenidos.
Indicar que todos los resultados que se van a exponer en este capítulo
han sido obtenidos con el cuarto sistema de captura de imágenes, lo cual
supone una base de datos completa de 131 usuarios con las siguientes
características (tomada paulatinamente de enero de 2009 a marzo de 2011,
según iban surgiendo las necesidades de prueba, en todas las estaciones del
año y con condiciones cambiantes de luminosidad, temperatura y humedad del
habitáculo de toma de muestras):
Página 119
Capítulo 8: Resultados obtenidos
Página 120
Capítulo 8: Resultados obtenidos
Las pruebas serán tanto mejores cuanto más bajo sea el punto EER en
las curvas EER, y más alejadas y menos intersección muestren las curvas de
distribución de probabilidad de las comparaciones intraclase e interclase.
• Nº de usuarios: 22
• Nº de manos: 1 (derecha)
• Nº de comparaciones intraclase: 66
Página 121
Capítulo 8: Resultados obtenidos
0,500
0,450
0,444
0,400
0,350
0,295
0,300
Distribución
0,250
0,212
0,200
0,150
0,138 0,136 0,136
FNMR FMR
Curva EER
120,0%
85,9%
80,0% 78,8%
72,7%
Porcentaje
60,0% 59,1%
50,0%
43,9%
40,0% 41,5%
30,3%
24,2%
20,0%
12,0%
13,6%
3,0% 2,7%
0,0% 0,0% 0,4% 0,1% 0,1% 0,1% 0,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Umbral
FNMR FMR
Figura 81: Curvas EER para los resultados con el sistema primitivo de fijación, sin
utilizar ni traslaciones ni rotaciones
Página 122
Capítulo 8: Resultados obtenidos
Figura 82: Fallos con el sistema primitivo de fijación, sin utilizar ni traslaciones ni rotaciones
Se observa que en casi todos los casos, los errores son debidos al
desplazamiento de las muestras respecto a los patrones. Para resolver este
problema se pensó en la idea del sistema final de fijación que limitaría los
grados de libertad del usuario en las capturas y haría que las muestras de un
mismo usuario fuesen muy parecidas, con lo que presumiblemente los
resultados utilizando el algoritmo de reconocimiento con comparación
orientable completa deberían ser mucho mejores. Todas las pruebas
presentadas a partir de ahora en el punto 8.3 están hechas con el sistema final
de fijación.
Página 123
Capítulo 8: Resultados obtenidos
• Nº de usuarios: 9
• Nº de comparaciones intraclase: 72
Página 124
Capítulo 8: Resultados obtenidos
0,500
0,450 0,458
0,411
0,400
0,378
0,350
0,300
Distribución
0,250
0,200
0,150 0,153
0,115
0,100
0,089 0,083
0,069
0,050 0,056 0,056
0,042 0,042
0,014 0,028
0,000 0,000 0,007 0,000 0,000 0,000 0,000 0,000
0% 0-10% 10-20% 20-30% 30-40% 40-50% 50-60% 60-70% 70-80% 80-90% 90-100%
Umbral
FNMR FMR
Curva EER
120,0%
91,1%
80,0%
Porcentaje
60,0%
53,3% 54,2%
40,0% 38,9%
31,9%
27,8%
Umbral
FNMR FMR
Figura 84: Curvas EER para los resultados con el sistema final de fijación, sin utilizar ni
traslaciones ni rotaciones y RECRUIT_DIL = 3
Página 125
Capítulo 8: Resultados obtenidos
Tal como se observa en esta prueba, los resultados obtenidos son más
aceptables (EER = 18,4 % con un umbral del 28,7%), gracias al sistema final
de fijación y a la similitud de las muestras, pero son claramente mejorables y lo
primero que se intentó probar es modificar el parámetro RECRUIT_DIL y ver
cómo repercutía en el parámetro EER y en la distribución de probabilidad de
las comparaciones intraclase e interclase, para ver si se podía optimizar este
parámetro mejor a las muestras obtenidas.
0,800
0,700 0,708
0,600
0,500
Distribución
0,400
0,378 0,349
0,300
0,200
0,151
0,125
0,100 0,095
0,042 0,042
0,028 0,028
0,014 0,014 0,014 0,012
0,000 0,000 0,000 0,000 0,000 0,000 0,000
0% 0-10% 10-20% 20-30% 30-40% 40-50% 50-60% 60-70% 70-80% 80-90% 90-100%
Umbral
FNMR FMR
Página 126
Capítulo 8: Resultados obtenidos
1,000
0,900
0,861
0,800
0,700
0,600
Distribución
0,500
0,400
0,328
0,316
0,300
0,200
0,184
0,100 0,090
0,050 0,042 0,042
0,028 0,021 0,028
0,000 0,000 0,009
0,000 0,000 0,000 0,000 0,002 0,000 0,000
0% 0-10% 10-20% 20-30% 30-40% 0,000 50-60%
40-50% 60-70% 70-80% 80-90% 90-100%
Umbral
FNMR FMR
1,000
0,900
0,917
0,800
0,700
0,600
Distribución
0,500
0,400
0,082
0,100
0,057 0,042
0,024 0,028 0,019
0,014
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0% 0-10% 10-20% 20-30% 30-40% 40-50% 50-60% 60-70% 70-80% 80-90% 90-100%
Umbral
FNMR FMR
Página 127
Capítulo 8: Resultados obtenidos
1,200
1,000 1,000
0,800
Distribución
0,600
0,400
0,300
0,234 0,243
0,200
0,108
0,068
0,035
0,000 0,000 0,000 0,003
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,009
0,000 0,000
0% 0-10% 10-20% 20-30% 30-40% 40-50% 50-60% 60-70% 70-80% 80-90% 90-100%
Umbral
FNMR FMR
Curva EER
120,0%
83,5%
80,0%
Porcentaje
60,0%
45,7%
40,0%
29,2%
20,0%
10,8% 16,7% 16,7%
13,9%
9,7% 11,1%
8,3%
4,2%
0,0% 0,0% 0,0% 1,2% 0,0% 0,0% 0,0% 0,0% 0,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Umbral
FNMR FMR
Figura 89: Curvas EER para los resultados con el sistema final de fijación, sin utilizar ni
traslaciones ni rotaciones y RECRUIT_DIL = 6
Página 128
Capítulo 8: Resultados obtenidos
Curva EER
120,0%
80,0%
75,7%
Porcentaje
60,0%
42,9%
40,0%
20,0%
13,9%
11,3% 11,1%
6,9% 6,9%
2,8% 2,8% 2,3%
0,0% 0,0% 0,0% 0,0% 2,8% 0,2% 0,0% 0,0% 0,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Umbral
FNMR FMR
Figura 90: Curvas EER para los resultados con el sistema final de fijación, sin utilizar ni
traslaciones ni rotaciones y RECRUIT_DIL = 9
Curva EER
120,0%
80,0%
67,0%
Porcentaje
60,0%
40,0%
36,5%
20,0%
10,1% 8,3%
1,9%
2,8% 4,2%
0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Umbral
FNMR FMR
Figura 91: Curvas EER para los resultados con el sistema final de fijación, sin utilizar ni
traslaciones ni rotaciones y RECRUIT_DIL = 12
Página 129
Capítulo 8: Resultados obtenidos
Curva EER
120,0%
80,0%
Porcentaje
62,0%
60,0%
40,0%
31,9%
20,0%
7,6%
0,9%
0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Umbral
FNMR FMR
Figura 92: Curvas EER para los resultados con el sistema final de fijación, sin utilizar ni
traslaciones ni rotaciones y RECRUIT_DIL = 15
Página 130
Capítulo 8: Resultados obtenidos
dichas curvas los más separadas posible. Esto hace ponderar ambos aspectos
y tomar la decisión de elegir el parámetro RECRUIT_DIL = 6 para las pruebas
sucesivas. Con este valor ya se obtiene un EER relativamente bueno (10%
aproximadamente) y las curvas están más separadas que con DIL = 9, 12 ó 15.
Se descarta el valor DIL = 3 por tener un EER de un 20% aprox. y considerar
que quizá es demasiado restrictivo y exigiría imágenes de muestras y patrones
prácticamente idénticas para su buen funcionamiento.
• Nº de usuarios: 100
• Nº de manos: 1 (derecha)
Página 131
Capítulo 8: Resultados obtenidos
0,900
0,823
0,800
0,700
0,600
Distribución
0,500
0,400
0,326
0,300
0,263
0,203
0,200
0,100
0,088 0,084 0,033 0,083
0,025 0,015
0,000 0,000 0,003 0,008 0,005 0,008 0,013 0,010 0,008 0,002 0,000 0,000
0% 0-10% 10-20% 20-30% 30-40% 40-50% 50-60% 60-70% 70-80% 80-90% 90-100%
Umbral
FNMR FMR
Curva EER
120,0%
91,2%
80,0%
Porcentaje
64,9%
60,0%
40,0%
32,3%
20,0%
12,0% 17,7%
6,1%
3,6% 4,5% 9,3%
Umbral
FNMR FMR
Figura 94: Curvas EER para los resultados con el sistema final de fijación, sin utilizar ni
traslaciones ni rotaciones, DIL = 6 y 100 usuarios
Página 132
Capítulo 8: Resultados obtenidos
Página 133
Capítulo 8: Resultados obtenidos
0,160
0,140
0,135
0,120 0,119
0,100
0,096
0,080 0,083
0,077 0,079
0,060
0,048
0,044
0,040
0,033
0,020
0,023
0,017
0,004 0,004
0,000 0,000
0 1 2 3 4 5 6 7 8 9 10 11 12 >12
Pixels
Pixel distance
Figura 95: Curvas de distribución de probabilidad para los resultados con el sistema final de
fijación, utilizando traslaciones y rotaciones, DIL = 6 y 100 usuarios, para el primer método de
comparación y autenticaciones
Página 134
Capítulo 8: Resultados obtenidos
6000
5127
5306
5187
5000
4709
4249
4000
Valor
3432
3166
3000
2200
2000
2267 1923
0
0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100 > 100
Pixels
Figura 96: Curvas de distribución de probabilidad para los resultados con el sistema final de
fijación, utilizando traslaciones y rotaciones, DIL = 6 y 100 usuarios, para el primer método de
comparación, autenticaciones e identificaciones
Curva EER
120,0%
100,0% 99,9%
100,0% 100,0%
97,2%
83,0%
80,0%
Porcentaje
60,0% 54,1%
40,0%
25,4%
20,0%
9,3%
7,3%
2,8%
0,5% 0,7%
0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,1% 0,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Umbral
FNMR FMR
Figura 97: Curvas EER para los resultados con el sistema final de fijación, utilizando
traslaciones ni rotaciones, DIL = 6 y 100 usuarios, para el segundo método de comparación
Página 135
Capítulo 8: Resultados obtenidos
Tal como se observa en esta prueba, los resultados obtenidos son muy
buenos con RECRUIT_DIL = 6, incluso sin necesidad de realizar rotaciones,
gracias a que el parámetro RECRUIT_DIL es capaz de absorber las posibles
desviaciones de rotación (ERR = 0,55% al 81,3% de umbral frente al 4-10% de
los resultados obtenidos con el mismo sistema sin rotaciones ni traslaciones).
Página 136
Capítulo 8: Resultados obtenidos
• Nº de usuarios: 22
• Nº de manos: 1 (derecha)
• Nº de comparaciones intraclase: 66
Página 137
Capítulo 8: Resultados obtenidos
0,030
0,025 0,025
0,021
0,020
0,017
0,015 0,015
0,013
0,010
0,010 0,010
0,006 0,006
0,005
0,004
0,000 0,000
0-3 4-6 7-9 10-12 13-15 16-18 22-24 25-27 28-30 30-32 >32
Pixels
Pixel distance
Figura 98: Curvas de distribución de probabilidad para los resultados con el sistema primitivo
de fijación, utilizando traslaciones y rotaciones, para el primer método de comparación y
autenticaciones
200
176
180
160 162
153 151
140 130
137
120
123
116
Valor 100,00
0
0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100 > 100
Pixels
Figura 99: Curvas de distribución de probabilidad para los resultados con el sistema primitivo
de fijación, utilizando traslaciones y rotaciones, para el primer método de comparación,
autenticaciones e identificaciones
Página 138
Capítulo 8: Resultados obtenidos
0,900
0,800 0,803
0,700
0,600
Distribución
0,500
0,418
0,400
0,300 0,308
0,200
0,118 0,167
0,130
0,100
0,030
0,019
0,000 0,000 0,000 0,000 0,002
0,000 0,000 0,000 0,000 0,000 0,001 0,004
0% 0-10% 10-20% 20-30% 30-40% 40-50% 50-60% 60-70% 70-80% 80-90% 90-100%
Umbral
FNMR FMR
Curva EER
120,0%
80,0%
Porcentaje
60,0%
46,2%
40,0%
20,0% 19,7%
15,4%
3,0%
2,5%
0,6% 0,1%
0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Umbral
FNMR FMR
Figura 101: Curvas EER para los resultados con el sistema primitivo de fijación, utilizando
traslaciones y rotaciones, para el segundo método de comparación
Página 139
Capítulo 8: Resultados obtenidos
Página 140
Capítulo 8: Resultados obtenidos
Página 141
Capítulo 8: Resultados obtenidos
Propiedad de la prueba / Apartado de este capítulo 8.2 8.3.1 8.3.2 8.3.3 8.4
PREPROCESADO: ROI
Ampliación de histograma +
Reconstrucción morfológica 0,3 (0,29 – 0,31)
RECLUTAMIENTO
EXTRACCIÓN DE CARACTERÍSTICAS:
Obtención de las líneas + Dilatación
1,6 (1,33 – 1,96)
Binarización + Eliminación de líneas
0,2 (0,16 – 0,23)
erróneas + Dilatación final
PREPROCESADO: ROI
Ampliación de histograma + 0,3 (0,28 – 0,33)
Reconstrucción morfológica
0,9 (0,75 – 1,27)
Eliminación de puntos interiores +
Recorte final de ROI
VERIFICACIÓN
EXTRACCIÓN DE CARACTERÍSTICAS:
1,6 (1,31 – 1,99)
Obtención de las líneas + Dilatación
0,2 (0,15 – 0,25)
Binarización + Eliminación de líneas
erróneas
1º MÉTODO DE COMPARACION:
0 0 0,005(0,0043-0,0056)
ANCHO DE LA MUÑECA
0,89 4,46
2º MÉTODO DE COMPARACIÓN:
0,012 (0,009-0,015) (0,75- (4,23-
COMPARACION ORIENTABLE
1,04) 4,84)
8.6 Conclusiones
Página 142
Capítulo 8: Resultados obtenidos
las variantes utilizadas. Esta tabla va a servir más tarde como parte de las
conclusiones generales y líneas de investigación futuras de esta Tesis Doctoral
mostrados en el capitulo siguiente.
Propiedad de la
prueba / Apartado de 8.2 8.3.1 8.3.2 8.3.3 8.4
este capítulo
Sistema de fijación
Primitivo Final Final Final Primitivo
de la muñeca
Comodidad para el
Alta Baja Baja Baja Alta
usuario
Nº de imágenes por
usuario (patrón + 4(1+3) 5(1+4) 5(1+4) 5(1+4) 4(1+3)
muestras)
Nº de usuarios
22 9 100 100 22
utilizados
Nº de muñecas
1 2 1 1 1
utilizadas
Comparaciones
66 72 400 400 66
intraclase
Comparaciones
1.386 576 39.600 39.600 1.386
interclase
Traslaciones para el
2º método de NO NO NO 7(4+3) 9(5+4)
comparación
Rotaciones para el 2º
método de NO NO NO 0 2
comparación
Nº de comparaciones
para el 2º método de 1 1 1 1 1 1 1 49 244
comparación
Parámetro
6 3 6 9 12 15 6 6 6
RECRUIT_DIL
Umbral en píxeles
para el 1º método de NO NO NO NO NO NO 20 20 50
comparación
Tiempo de ejecución
medio para 3,01 3,01 3,02 3,90 7,46
autenticación (seg.)
Página 143
Capítulo 8: Resultados obtenidos
Página 144
Capítulo 9:
Conclusiones y líneas de
investigación futuras
Página 145
Capítulo 9: Conclusiones y líneas de investigación futuras
3. Habría que realizar más pruebas con nuevos usuarios para validar los
resultados y ajustar, si es necesario, los parámetros de extracción de
características mencionados en el capítulo 5, especialmente el
parámetro CN MAX para establecer el límite de las líneas erróneas y las
líneas correctas, que ha sido elegido completamente de manera
heurística y podría ajustarse con más detalle en cada muestra,
haciendo un análisis previo más exacto de la misma.
Página 146
Capítulo 9: Conclusiones y líneas de investigación futuras
Página 147
Capítulo 9: Conclusiones y líneas de investigación futuras
Página 148
Capítulo 10:
Refererencias bibliográficas
Página 149
Capítulo 10: Referencias bibliográficas
[EHV08] Shi Zhao; Yiding Wang; Yunhong Wang. "Extracting Hand Vein
Patterns from Low-Quality Images: A New Biometric Technique
Using Low-Cost Devices," Image and Graphics, 2007. ICIG 2007.
Fourth International Conference on, vol. 1, pp. 667-671, 22-24
Aug. 2007. doi: 10.1109/ICIG.2007.97
[EYS08] EYSEO.
Disponible en World Wide Web: “Eyseo IP / Film & Live Pictures /
Service & Downloads / International - ABUS Security-Center”,
http://www.abus-sc.co.uk/International/Service-Downloads/Film-
Live-Pictures/Eyseo-IP
[Consulta: 8 de octubre de 2008]
[FEH06] Zhong Bo Zhang; Dan Yang Wu; Si Liang Ma; Jie Ma. "Feature
Extraction of Hand-Vein Patterns Based on Ridgelet Transform
and Local Interconnection Structure Neural Network", Lecture
Notes in Control and Information Sciences, 2006. International
Conference on, vol. 345, pp. 870-875, 13-15 Oct. doi:
10.1007/978-3-540-37258-5_106
Página 150
Capítulo 10: Referencias bibliográficas
Página 151
Capítulo 10: Referencias bibliográficas
[LPR04] Jin Ok Kim; Woongjae Lee; Jun Hwang; Kyong Seok Baik; Chin
nt nter. “Lip print recognition for security systems by multi-
resolution architecture”, Journal Future Generation Computer
Systems, vol. 20, issue 2, pp. 295-301, Feb. 2004. doi:
10.1016/S0167-739X(03)00145-6
[MFE06b] Zhong Bo Zhang; Dan Yang Wu; Si Liang Ma; Jie Ma. "Multiscale
Feature Extraction of Finger-Vein Patterns Based on Wavelet and
Local Interconnection Structure Neural Network", Neural Networks
and Brain, 2005. ICNN&B '05. International Conference on, vol. 2,
pp.1081-1084, 13-15 Oct. 2005. doi:
10.1109/ICNNB.2005.1614805
[NAB09] Chiang, J.Y. "A new approach for binary line image vectorization,"
Systems, Man and Cybernetics, 1995 Intelligent Systems for the
21st Century, IEEE International Conference on, vol. 2, pp.1489-
1494 vol.2, 22-25 Oct. 1995. doi: 10.1109/ICSMC.1995.537983
[NFI06] Lingyu Wang; Leedham, G. “Near- and Far- Infrared Imaging for
Vein Pattern Biometrics”, Video and Signal Based Surveillance,
2006. AVSS ‘06. IEEE International Conference on, vol. 1,pp.52,
Nov. 2006. doi: 10.1109/AVSS.2006.80
[NFV09] Xiang Yu; Wenming Yang; Qingmin Liao; Fei Zhou. "A Novel
Finger Vein Pattern Extraction Approach for Near-Infrared Image,"
Image and Signal Processing, 2009. CISP '09. 2nd International
Congress, vol. 1, pp. 1-5, 17-19 Oct. 2009. doi:
10.1109/CISP.2009.5304440
Página 152
Capítulo 10: Referencias bibliográficas
[NMS06] Milner, David and Raz, Shmuel and Hel-Or, Hagit and Keren,
Daniel and Nevo, Eviatar. “A new measure of symmetry and its
application to classification of bifurcating structures”, Pattern
Recognition, vol. 40, issue 8, August 2007, issn 0031-3203, pp.
2237--2250. doi: 10.1016/j.patcog.2006.12.008
Página 153
Capítulo 10: Referencias bibliográficas
[SUS97] Smith, S.M.; Brady, J.M. “SUSAN - a new approach to low level
image processing”, International Journal of Computer Vision, vol.
23(1), pp.45--78, 1997
[UTI04] Kuo-Chin Fan; Chih-Lung Lin. “The use of thermal images of palm-
dorsa vein-patterns for biometric verification”, Pattern Recognition,
2004. ICPR 2004. Proceedings of the 17th International
Conference on, vol. 4, pp. 450- 453 Vol.4, 23-26 Aug. 2004. doi:
10.1109/ICPR.2004.1333799
[VSI94] Miller, B. “Vital sign of identify”, IEEE Spectrum, vol 31, pp. 22–30,
Feb 1994
Página 154
Anexo:
Plataforma de pruebas
A.1 Introducción
Esta Tesis Doctoral tiene dos grandes bloques de investigación, el
sistema de captura de imágenes y los algoritmos de preprocesado, extracción
de características y comparación. Sin embargo, para poder validar dicha
investigación ha sido necesario diseñar y desarrollar una plataforma de
pruebas. Al no haber encontrado ninguna parecida en las referencias
bibliográficas consultadas, la plataforma de pruebas se ha diseñado desde
cero, por lo que se ofrece como otra novedad adicional de este trabajo para su
utilización por otros investigadores.
Página 155
Anexo: Plataforma de pruebas
Las carpetas que hay que mantener para cualquier sistema biométrico a
desarrollar con la plataforma de pruebas son las siguientes:
• work -> Carpeta raíz donde se guardan el resto de carpetas del sistema
y los bloques de programación desarrollados.
Página 156
Anexo: Plataforma de pruebas
Página 157
Anexo: Plataforma de pruebas
User_N_W
User_00001_L
User_00001_R -> Jose Enrique Suarez Pascual
Imágenes originales:
Los nombres de los archivos de cada carpeta deben ser los siguientes
para garantizar el funcionamiento de la plataforma y la salida de resultados en
la carpeta “5_results_TXT_XLS”:
Página 158
Anexo: Plataforma de pruebas
Página 159
Anexo: Plataforma de pruebas
Página 160
Anexo: Plataforma de pruebas
Página 161
Anexo: Plataforma de pruebas
Página 162
Anexo: Plataforma de pruebas
Página 163
Anexo: Plataforma de pruebas
Página 164
Anexo: Plataforma de pruebas
Página 165
Anexo: Plataforma de pruebas
'authentication all left' -> Como “authentication all”, pero sólo para
las muestras izquierdas
Página 166
Anexo: Plataforma de pruebas
'identification all left' -> Como “identification all”, pero sólo para
las muestras izquierdas
'A' -> Sólo con “recruitment all”, para obtener las imágenes de
reclutamiento de todos los patrones, derechos e
izquierdos
'L' -> Sólo con “recruitment all”, para obtener las imágenes de
reclutamiento de todos los patrones izquierdos
'R' -> Sólo con “recruitment all”, para obtener las imágenes de
reclutamiento de todos los patrones derechos
'A' -> Sólo con “recruitment all”, para obtener las imágenes de
reclutamiento de todos los patrones, derechos e izquierdos
Página 167
Anexo: Plataforma de pruebas
Página 168
Anexo: Plataforma de pruebas
Página 169
Anexo: Plataforma de pruebas
Página 170
Anexo: Plataforma de pruebas
Para el reclutamiento:
• 1 archivo de texto TXT con los datos principales de la ROI del patrón,
guardado en la carpeta “5_results_TXT_XLS”.
Página 171
Anexo: Plataforma de pruebas
Para la autenticación:
Página 172
Anexo: Plataforma de pruebas
Para la identificación:
1. Documentación BMP
Página 173
Anexo: Plataforma de pruebas
Página 174
Anexo: Plataforma de pruebas
Página 175
Anexo: Plataforma de pruebas
Página 176
Anexo: Plataforma de pruebas
Página 177
Anexo: Plataforma de pruebas
Página 178
Anexo: Plataforma de pruebas
2. Documentación TXT
Página 179
Anexo: Plataforma de pruebas
3. Documentación XLS
Página 180
Anexo: Plataforma de pruebas
Página 181
Anexo: Plataforma de pruebas
Página 182
Anexo: Plataforma de pruebas
Página 183
Anexo: Plataforma de pruebas
Página 184
Anexo: Plataforma de pruebas
'D ~ .w. . . . . .., ('o *" E:tI I!l @ 1'lo:\J05E\03Doctorado\5 Proyecto v........ M.roo\] m.I 5y>t.,.,,\work viO .,
fu t"./:, ~ ~ '~ to AOCI ~ WMt', ro. '~
'CommandWíndaw-------------------------------------------------------------------------------------.-, rn-.->(
» mai n ( ' a uth ~ ntic a ti o n ' , ' 0000 3 ' , ' L ' , ' 4 ' .
; ; J. uth ~ nt ic a t i o n ima ¡¡~~ a nd r ~~ ult ~ i n TXT til ~~ ~av ~ d in dir ~ ct o rl' D : \ J o ~ ~ \ 03 D o ct o r a d o \ 5 _ Pr o l' ~ ct o _V~ n a~ _ lI a n o \? _ fin a l _ S l'~ t ~ n
; ; J. uth ~ nt ic a t i o n r ~~ ult ~ i n XLS til ~~ ~av ~ d in dir ~ c t o r l' D \ J o~ ~ \ 03 _ Do c t o r a d o \ 5 _ Pr ol'~ c t o _ V~ n a ~ _ lla n o \? _ fin a l _ Sl'~ t ~ m \ v o r k \ 5 _ r ~ ,
U~ ~ r n urrt> ~ r: 00003
Sampl ~ n urrt> ~ r: 4
• U~ ~ r n """,,: { l ) -
N orrtl r ~3 J. p ~ llid o3
• C omp ar ~ d u~ ~ r n """,, : { 1 ) -
N orrtl r ~ 3 J. p ~ llid o 3
L i n~ pi x ~ l ~ in th ~ ~ ampl ~ li n ~ ~ ima ¡¡ ~ : n 8
>
Página 185
Anexo: Plataforma de pruebas
……………………
……………………
Página 186
Anexo: Plataforma de pruebas
……………………
……………………
Página 187
Anexo: Plataforma de pruebas
Página 188
Anexo: Plataforma de pruebas
Página 190