reconocimiento automático de huella dactilar 4 ...arantxa.ii.uam.es/~jortega/rechuella_asal.pdf ·...

Reconocimiento Automático de Huella Dactilar

Javier Ortega GarcíaEPS-UAM

Reconocimiento Automático de Huella Dactilar 2

SUMARIO1.1. HistoriaHistoria

2.2. FormaciFormacióón de las huellasn de las huellas

3.3. Reconocimiento (tradicional) de huellas dactilaresReconocimiento (tradicional) de huellas dactilares

4.4. AdquisiciAdquisicióón de huellas dactilaresn de huellas dactilares

5.5. Reconocimiento (automReconocimiento (automáático) basado en minuciastico) basado en minucias

6.6. Reconocimiento (automReconocimiento (automáático) basado en texturastico) basado en texturas

7.7. Reconocimiento (automReconocimiento (automáático) basado en correlacitico) basado en correlacióónn

8.8. Evaluaciones competitivasEvaluaciones competitivas

9.9. ProblemProblemáática actual y ltica actual y lííneas futurasneas futuras


1. Historia1. HistoriaPrimeros trabajos y desarrollo inicial Primeros trabajos y desarrollo inicial

•• Evidencias arqueolEvidencias arqueolóógicas que relacionan huellas con identidadgicas que relacionan huellas con identidad

•• Primeros trabajos cientPrimeros trabajos cientííficos: s. XVI (formacificos: s. XVI (formacióón anatn anatóómica, mica, caracterizacicaracterizacióón, individualidadn, individualidad……))

•• Inicialmente, investigaciInicialmente, investigacióón en n en áámbito policial: s. XVIIImbito policial: s. XVIII--XIXXIX

•• AceptaciAceptacióón formal como mn formal como méétodo de identificacitodo de identificacióón personal (principio n personal (principio s. XX)s. XX)

–– Agencias gubernamentalesAgencias gubernamentales

–– Bases de datos (DNI, criminalesBases de datos (DNI, criminales……))

–– AdquisiciAdquisicióón de huellas latentes en escena de crimenn de huellas latentes en escena de crimen……


Actualidad Actualidad •• A partir de aA partir de añños 60: sistemas automos 60: sistemas automááticosticos

–– 2003: 200 millones de tarjetas impresas en archivos FBI2003: 200 millones de tarjetas impresas en archivos FBI

–– Miles de peticiones diarias de identificaciMiles de peticiones diarias de identificacióónn

•• RRáápido crecimiento de aplicaciones comerciales civilespido crecimiento de aplicaciones comerciales civiles

1. Historia1. Historia


Actualidad Actualidad

•• Huella dactilar sigue acaparando la mayorHuella dactilar sigue acaparando la mayoríía del mercadoa del mercado

1. Historia1. Historia


Dactilograma: Dactilograma: Figura formada por el relieve de crestas del dedoFigura formada por el relieve de crestas del dedo

••Natural: observado directamente en las huellas de los dedosNatural: observado directamente en las huellas de los dedos

••Latente (Latente (huella dactilarhuella dactilar): impresi): impresióón por contacto en una superficien por contacto en una superficie

••Artificial (Artificial (impresiimpresióón digitaln digital): reproducci): reproduccióón grn grááfica del naturalfica del natural

2. Formaci2. Formacióón de las huellasn de las huellas


••FormaciFormacióónn de las huellas a partir del sde las huellas a partir del sééptimo mes fetalptimo mes fetal

••Perenne:Perenne: invariabilidad hasta la descomposiciinvariabilidad hasta la descomposicióón n postpost--mortemmortem (excepto (excepto accidentes) y capacidad regenerativaaccidentes) y capacidad regenerativa

••Individualidad:Individualidad: son figuras de tal variedad que resultan totalmente son figuras de tal variedad que resultan totalmente caractercaracteríísticas de cada individuosticas de cada individuo

INTERESANTES PARA IDENTIFICACIINTERESANTES PARA IDENTIFICACIÓÓN PERSONALN PERSONAL

2. Formaci2. Formacióón de las huellasn de las huellas


3. Reconocimiento de huellas dactilares3. Reconocimiento de huellas dactilares••Puntos caracterPuntos caracteríísticos de las crestas de huellasticos de las crestas de huella

––Se definen varios cientos de tiposSe definen varios cientos de tipos

––La coincidencia en nLa coincidencia en núúmero suficiente de puntos caractermero suficiente de puntos caracteríísticos (tipo, sticos (tipo, ubicaciubicacióón, taman, tamañño y orientacio y orientacióón) entre dos huellas implica que ambas huellas n) entre dos huellas implica que ambas huellas pertenecen inequpertenecen inequíívocamente a la misma personavocamente a la misma persona

––El sistema judicial espaEl sistema judicial españñol fija ese nol fija ese núúmero en 12mero en 12



––A efectos prA efectos práácticos, los sistemas automcticos, los sistemas automááticos suelen considerar solamente ticos suelen considerar solamente dos: terminacidos: terminacióón y bifurcacin y bifurcacióón de cresta (minucias)n de cresta (minucias)

––Existen otros dos tipos de puntos que permiten clasificar el tipExisten otros dos tipos de puntos que permiten clasificar el tipo de huellao de huella



––Tipos de huella segTipos de huella segúún el nn el núúmero de mero de loopsloops y deltasy deltas


4. Adquisici4. Adquisicióón de huellas dactilaresn de huellas dactilares••OffOff--lineline: : AdquisiciAdquisicióón tradicional mojando el dedo en tintan tradicional mojando el dedo en tinta

••OnOn--lineline: : Presionando contra la superficie plana de un Presionando contra la superficie plana de un sensorsensor––SensorSensor óópticoptico: prisma iluminado, capta luz reflejada en el dedo: prisma iluminado, capta luz reflejada en el dedo

––SensorSensor de estado sde estado sóólidolido: : arrayarray de de sensoressensores de silicio en circuito de silicio en circuito abierto, el dedo cierra el circuito al ponerse sobre el abierto, el dedo cierra el circuito al ponerse sobre el sensorsensor

––SensorSensor de ultrasonidosde ultrasonidos: captura de ecos de se: captura de ecos de seññal ultrasal ultrasóónica nica reflejados en reflejados en el dedoel dedo


4. Adquisici4. Adquisicióón de huellas dactilaresn de huellas dactilares

ÓÓPTICOPTICO TTÉÉRMICO RMICO (de desplazamiento)(de desplazamiento)

CAPACITIVOCAPACITIVO


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Campo de orientaciCampo de orientacióónn

––Angulo de las crestas con la horizontalAngulo de las crestas con la horizontal

––Calculo en bloques en lugar de pCalculo en bloques en lugar de pííxeles (menos sensible a ruido)xeles (menos sensible a ruido)

––El gradiente es perpendicular a la direcciEl gradiente es perpendicular a la direccióón de las crestasn de las crestas

––Ejemplo estimaciEjemplo estimacióón de mn de míínimos cuadrados:nimos cuadrados:

––En ocasiones, el En ocasiones, el áángulo no se calcula correctamente debido al ruido o a la ngulo no se calcula correctamente debido al ruido o a la presencia de desperfectos en crestas y vallespresencia de desperfectos en crestas y valles

––Dado que el Dado que el áángulo de cresta varngulo de cresta varíía lentamente a lo largo de la huella a lentamente a lo largo de la huella (excepto en puntos singulares), se realiza un promediado (filtra(excepto en puntos singulares), se realiza un promediado (filtrado paso bajo)do paso bajo)

WW = tama= tamañño bloque de promediadoo bloque de promediadoGGxx, , GGyy = gradiente en direcci= gradiente en direccióón n xx, , yy



––Ejemplo filtrado paso bajo:Ejemplo filtrado paso bajo:

EliminaciEliminacióón n incertidumbre entre incertidumbre entre

direcciones de crestas direcciones de crestas opuestasopuestas

MMááscara paso bajoscara paso bajoVentana filtradoVentana filtrado



––Resultado:Resultado:

––El campo de orientaciEl campo de orientacióón permite fijar parn permite fijar paráámetros de funciones metros de funciones adaptativasadaptativas en en pasos siguientespasos siguientes

––Consistencia del campo de orientaciConsistencia del campo de orientacióón en el entorno de (n en el entorno de (i,ji,j):):

Diferencia de Diferencia de áángulo con zonas ngulo con zonas adyacentesadyacentesEntorno de promediadoEntorno de promediado


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••ExtracciExtraccióón regin regióón de intern de interééss

––Separar regiSeparar regióón de crestas y valles del fondo de la imagenn de crestas y valles del fondo de la imagen

•• En la zona de crestas y valles, la varianza de gris es alta en lEn la zona de crestas y valles, la varianza de gris es alta en la direccia direccióón n ortogonal a las crestasortogonal a las crestas

•• En el fondo de la imagen, la varianza de gris es baja en todas lEn el fondo de la imagen, la varianza de gris es baja en todas las as direccionesdirecciones


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••ExtracciExtraccióón de crestasn de crestas

––BinarizaciBinarizacióónn de la imagen en crestas y vallesde la imagen en crestas y valles

––Se filtra la huella con Se filtra la huella con mascaras mascaras adaptativasadaptativas gaussianasgaussianas capaces de aumentar capaces de aumentar el nivel de gris en la direcciel nivel de gris en la direccióón normal a la direccin normal a la direccióón de la cresta y se aplica un n de la cresta y se aplica un umbralumbral al nivel de gris.al nivel de gris.

ÁÁngulo segngulo segúún la orientacin la orientacióón de cada zona de la imagenn de cada zona de la imagen

Anchura adaptada al tamaAnchura adaptada al tamañño de crestas to de crestas tíípicopico


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••ExtracciExtraccióón de crestasn de crestas


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias

••Perfilado de crestasPerfilado de crestas––Filtrado adicional de la imagen binariaFiltrado adicional de la imagen binaria

•• Realce de bordes: adiciRealce de bordes: adicióón de componentes paso alton de componentes paso alto

•• EliminaciEliminacióón de artefactos: filtrado con mn de artefactos: filtrado con mááscaras de impulsos orientados segscaras de impulsos orientados segúún la n la direccidireccióón de la crestan de la cresta


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Adelgazamiento Adelgazamiento ((thinningthinning)) de crestas: de crestas: reduccireduccióón a anchura de un n a anchura de un ppííxelxel

••EliminaciEliminacióón de imperfeccionesn de imperfecciones


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••ExtracciExtraccióón de minucias: n de minucias: para un ppara un pííxel de cresta tenemos:xel de cresta tenemos:

––Final de cresta: si el nFinal de cresta: si el núúmero de pmero de pííxeles de cresta en el entorno es 1xeles de cresta en el entorno es 1

––BifurcaciBifurcacióón: si el nn: si el núúmero de pmero de pííxeles de cresta en el entorno es 3xeles de cresta en el entorno es 3

––Para cada minucia almacenamos: coordenadas, Para cada minucia almacenamos: coordenadas, áángulo y muestreo de parte de ngulo y muestreo de parte de la cresta asociadala cresta asociada

––Se realiza un Se realiza un postprocesadopostprocesado adicional que:adicional que:

•• Elimina minucias cercanas al borde de la huella (final de crestaElimina minucias cercanas al borde de la huella (final de cresta))

•• Sustituye grupos muy densos de minucias por una minucia centralSustituye grupos muy densos de minucias por una minucia central


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••ComparaciComparacióón de patrones de minuciasn de patrones de minucias

––Alineamiento: estimar traslaciAlineamiento: estimar traslacióón, rotacin, rotacióón y distorsin y distorsióónn

––MatchingMatching: calcular la similitud entre ambos patrones alineados (b: calcular la similitud entre ambos patrones alineados (búúsqueda de squeda de pares de minucias coincidentes)pares de minucias coincidentes)


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Alineamiento: bAlineamiento: búúsqueda minucias de referenciasqueda minucias de referencia

––Menor distorsiMenor distorsióón en la parte central de la huellan en la parte central de la huella

––Tomando una minucia de cada huella, buscamos la similitud entre Tomando una minucia de cada huella, buscamos la similitud entre crestas crestas asociadas y elegimos el par de minucias cuyas crestas asociadas asociadas y elegimos el par de minucias cuyas crestas asociadas sean msean máás s parecidasparecidas


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••AlineamientoAlineamiento

––Obtenida la traslaciObtenida la traslacióón y rotacin y rotacióón, alineamos las minucias de ambas huellas n, alineamos las minucias de ambas huellas respecto a la minucia de referenciarespecto a la minucia de referencia


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••MatchingMatching

––Pasamos minucias a polares tomando como origen la minucia de refPasamos minucias a polares tomando como origen la minucia de referencia erencia (punto de m(punto de mááxima consistencia)xima consistencia)

––Ordenamos las minucias en orden creciente de Ordenamos las minucias en orden creciente de áángulo y distancia, formando ngulo y distancia, formando sendas cadenas de puntos en polares, que sersendas cadenas de puntos en polares, que seráán los patrones a compararn los patrones a comparar

––Se efectSe efectúúa la comparacia la comparacióón de ambas cadenas mediante la minimizacin de ambas cadenas mediante la minimizacióón de n de una funciuna funcióón de coste llamada distancia de edicin de coste llamada distancia de edicióón, calculando n, calculando el nel núúmero total mero total ““MMpqpq”” de minucias coincidentes en ambas cadenasde minucias coincidentes en ambas cadenas

––Calculamos una medida global de similitud Calculamos una medida global de similitud SS::

M, NM, N = n= núúmero de minucias mero de minucias de cada huellade cada huella

S S = 100 = 100 ⇒⇒ todas las minucias todas las minucias coincidentescoincidentes

S S = 0 = 0 ⇒⇒ ninguna minucia ninguna minucia coincidentecoincidente



•• para cada par de puntos de las cadenas de comparacipara cada par de puntos de las cadenas de comparacióón, se define un entorno capaz n, se define un entorno capaz de indicar si dos minucias forman parejade indicar si dos minucias forman pareja

•• dicho entorno puede ser variable segdicho entorno puede ser variable segúún la regin la regióón donde se encuentra las minucias a n donde se encuentra las minucias a comparar (distancia y comparar (distancia y áángulo), modelando asngulo), modelando asíí distorsiones no linealesdistorsiones no lineales




5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Problemas del mProblemas del méétodo descritotodo descrito

––ExtracciExtraccióón no fiable de minucias en regiones de baja calidadn no fiable de minucias en regiones de baja calidad

––Carga computacional de los algoritmos de Carga computacional de los algoritmos de binarizacibinarizacióónn y adelgazamientoy adelgazamiento

––Fallos en el alineamientoFallos en el alineamiento


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Ejemplo de alternativasEjemplo de alternativas

––ExtracciExtraccióón directa de minucias en imagen de grisn directa de minucias en imagen de gris

––Alineamiento basado en nAlineamiento basado en núúcleo y deltacleo y delta


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Ejemplo de alternativasEjemplo de alternativas

––Alineamiento basado en Alineamiento basado en looploop y y deltadelta

––Alineamiento basado en Alineamiento basado en agrupaciones de minucias agrupaciones de minucias


6. Reconocimiento basado en texturas6. Reconocimiento basado en texturas

••PatrPatróón de crestas y valles = textura orientada con frecuencia espacian de crestas y valles = textura orientada con frecuencia espacial l y orientaciy orientacióón localmente constante n localmente constante

––Frecuencia = variaciFrecuencia = variacióón perin perióódica de gris entre crestas y vallesdica de gris entre crestas y valles

––OrientaciOrientacióón = direccin = direccióón del flujo de crestasn del flujo de crestas


6. Reconocimiento basado en texturas6. Reconocimiento basado en texturas••Filtrado con filtros de Filtrado con filtros de GaborGabor de diferente orientacide diferente orientacióón n

(0(0ºº, 22.5, 22.5ºº, 45, 45ºº, 67.5, 67.5ºº, 90, 90ºº, 112.5, 112.5ºº, 135, 135ºº, 157.5, 157.5ºº))

MMááscara scara gaussianagaussiana(par(paráámetros metros δδxx, , δδyy))

Sinusoide frecuencia Sinusoide frecuencia ff(s(sóólo en direccilo en direccióón n xx’’))

RotaciRotacióón n áángulo ngulo θθ











6. Reconocimiento basado en texturas6. Reconocimiento basado en texturas

••Ventajas:Ventajas:

––Mayor robustez en presencia de ruido o baja calidadMayor robustez en presencia de ruido o baja calidad

––Vector de caracterVector de caracteríísticas de longitud constantesticas de longitud constante

––Menor carga computacional (no Menor carga computacional (no binarizacibinarizacióónn, no adelgazado), no adelgazado)

••Inconvenientes:Inconvenientes:

––Menor capacidad Menor capacidad discriminativadiscriminativa (mayor tasa de error)(mayor tasa de error)


7. Reconocimiento basado en correlaci7. Reconocimiento basado en correlacióónn

••CorrelaciCorrelacióón directamente entre imn directamente entre imáágenes de grisesgenes de grises

••SelecciSeleccióón de regiones locales siguiendo algn de regiones locales siguiendo algúún criterio. La correlacin criterio. La correlacióón n se calcula solo en esas regiones, acelerando asse calcula solo en esas regiones, acelerando asíí el procesoel proceso

••La imagen de gris contiene toda la informaciLa imagen de gris contiene toda la informacióón original de la huella, n original de la huella, frente a las minucias que solo contienen un conjunto finito de frente a las minucias que solo contienen un conjunto finito de caractercaracteríísticassticas

••Dado que la correlaciDado que la correlacióón se hace localmente, tenemos cierta robustez a n se hace localmente, tenemos cierta robustez a deformaciones no linealesdeformaciones no lineales


7. Reconocimiento basado en correlaci7. Reconocimiento basado en correlacióónn


Resumen mResumen méétodos reconocimientotodos reconocimiento

••MinuciasMinucias::––Mayor rendimiento (tasa de error)Mayor rendimiento (tasa de error)

––Peor funcionamiento en condiciones de baja calidad. Mayor carga Peor funcionamiento en condiciones de baja calidad. Mayor carga computacionalcomputacional

••Texturas y correlaciTexturas y correlacióónn––Menor rendimiento (tasa de error). Menor carga computacionalMenor rendimiento (tasa de error). Menor carga computacional

––Mejor funcionamiento en condiciones de baja calidadMejor funcionamiento en condiciones de baja calidad

CombinaciCombinacióón de diferentes mn de diferentes méétodos todos

FUSIFUSIÓÓNN


8. Evaluaciones competitivas8. Evaluaciones competitivas

FVC FVC ––Fingerprint Verification CompetitionFingerprint Verification Competition

••Hasta la fecha, cuatro competiciones: 2000, 2002, 2004, 2006Hasta la fecha, cuatro competiciones: 2000, 2002, 2004, 2006

••4 bases de datos de 100 dedos, con diferentes esc4 bases de datos de 100 dedos, con diferentes escááneres, varias sesiones y neres, varias sesiones y variando las condiciones de captura (una de ellas de huellas genvariando las condiciones de captura (una de ellas de huellas generadas eradas sintsintééticamente mediante software)ticamente mediante software)

••En 2004, la base de datos se forzEn 2004, la base de datos se forzóó a simular condiciones de baja calidad (dedos a simular condiciones de baja calidad (dedos mojados en agua, secados con alcohol, exagerando la distorsimojados en agua, secados con alcohol, exagerando la distorsióón contra el n contra el sensorsensor, , etc.) El sistema ganador obtuvo un EER de 2.07%, frente al 0.19%etc.) El sistema ganador obtuvo un EER de 2.07%, frente al 0.19% de la edicide la edicióón de n de 20022002

••En 2004 se introdujo una En 2004 se introdujo una ““light categorylight category””, imponiendo un uso de memoria y , imponiendo un uso de memoria y tiempo de ejecucitiempo de ejecucióón reducido. El sistema ganador obtuvo un 3.51%n reducido. El sistema ganador obtuvo un 3.51%

••EdiciEdicióón de 2006 n de 2006 coco--organizada por el grupo ATVS de la UAMorganizada por el grupo ATVS de la UAM

httphttp://://bias.csr.unibo.itbias.csr.unibo.it/fvc2006/fvc2006


9. Problem9. Problemáática actual y ltica actual y lííneas futurasneas futuras

••Baja calidad de huellasBaja calidad de huellas––Humedad, suciedad, cortes en el dedo (temporales o permanentes),Humedad, suciedad, cortes en el dedo (temporales o permanentes),impresiones latentes de usuarios anteriores, impresiones latentes de usuarios anteriores, cooperatividadcooperatividad……

––Mal funcionamiento de todas las etapas del sistema, sobre todo eMal funcionamiento de todas las etapas del sistema, sobre todo en sistemas n sistemas de minucias (pde minucias (péérdida de minucias autrdida de minucias autéénticas, introduccinticas, introduccióón de minucias falsas)n de minucias falsas)

––Algoritmos de medida de calidad: rechazar una huella o ajustar dAlgoritmos de medida de calidad: rechazar una huella o ajustar de distinta e distinta manera las etapas de procesado del sistemamanera las etapas de procesado del sistema



••SensoresSensores de reducido tamade reducido tamaññoo––SSóólo capturan una porcilo capturan una porcióón de la n de la

huella, no siendo siempre la mismahuella, no siendo siempre la misma

••Interoperabilidad entre Interoperabilidad entre sensoressensores––Sistemas adaptados para Sistemas adaptados para

trabajar con un trabajar con un sensorsensor en en

concretoconcreto



••Ataques contra el sistemaAtaques contra el sistema––InterceptaciInterceptacióón de canales del sisteman de canales del sistema

––Huellas falsasHuellas falsas


BibliografBibliografíía Ba Báásicasica

1.1. D.MaltoniD.Maltoni, , D.MaioD.Maio, , A.JainA.Jain andand S.PrabhakarS.Prabhakar, , HandbookHandbook of Fingerprint of Fingerprint RecognitionRecognition,,Springer 2003. ISBN: 0Springer 2003. ISBN: 0--387387--9543195431--77

2.2. M. Tistarelli and J. Bigun and E. Grosso (Eds.), M. Tistarelli and J. Bigun and E. Grosso (Eds.), Advanced Studies in BiometricsAdvanced Studies in Biometrics, Springer , Springer LNCSLNCS--3161, pp. 13161, pp. 1--18, May 200518, May 2005

3.3. httphttp://atvs.ii.uam.es://atvs.ii.uam.es

4.4. http://biometrics.cse.msu.edu/http://biometrics.cse.msu.edu/

reconocimiento automático de huella dactilar 4 ...arantxa.ii.uam.es/~jortega/rechuella_asal.pdf ·...

Documents