Embed Size (px)
Citation preview
1
DISEÑO DE UN SISTEMA DE RECONOCIMIENTO BIOMÉTRICO VASCULAR
LUISA FERNANDA FERREROSA GONZALEZ FELIPE ALBERTO CERON
UNIVERSIDAD DE SAN BUENAVENTURA FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA ELECTRÓNICA SANTIAGO DE CALI
2014
2
DISEÑO DE UN SISTEMA DE RECONOCIMIENTO BIOMÉTRICO VASCULAR
LUISA FERNANDA FERREROSA FELIPE ALBERTO CERON
PROYECTO DE GRADO PARA OPTAR POR EL TITULO DE INGENIERO ELECTRONICO
Directora:
ERIKA SARRIA NAVARRO Ingeniera Electrónica, Esp.
UNIVERSIDAD DE SAN BUENAVENTURA FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA ELECTRÓNICA SANTIAGO DE CALI
2014
3
CONTENIDO
Pág.
LISTA DE TABLAS ................................................................................................. 11
RESUMEN ............................................................................................................. 14
INTRODUCCIÓN .................................................................................................... 15
1. ESTADO DEL ARTE .......................................................................................... 18
1.1 DESARROLLO HISTÓRICO ............................................................................ 18
1.1.1 Hardware. ...................................................................................................... 18
1.1.2 Software ......................................................................................................... 20
1.1.3 Aplicaciones existentes en el mercado nacional e internacional .................... 21
2. MARCO TEÓRICO ............................................................................................. 24
2.1CONCEPTO BIOMÉTRICO............................................................................... 24
2.2 ORIGEN DE LA BIOMETRÍA ........................................................................... 24
2.3 SISTEMA BIOMETRICO PATRÓN VENOSO. ................................................. 25
2.3.1 Características de las Venas como Identificadoras Biométricas .................... 27
2.3.2 Venas de las manos como mecanismo de identidad ..................................... 28
2.3.2.1Las venas ..................................................................................................... 28
2.3.3 Estructura anatómica y fisiológica de las venas dorsales de la mano. .......... 28
2.3.4 Argumentos del reconocimiento biométrico patrón venoso............................ 31
4
2.3.5 Rango espectral para lograr captura de las venas del dorso de las manos. .. 32
2.4 PROCESAMIENTO DE LA IMAGEN ................................................................ 33
2.4.1 Filtrado de la imagen. .................................................................................... 34
2.4.2 Binarización .................................................................................................. 34
2.4.3 Esqueletización. ............................................................................................. 36
2.4.4 LHD (Line Segment Hausdorff Distance). ...................................................... 39
2.5 BASE DE DATOS DISPONIBLES. ................................................................... 40
2.6 CARACTERISTICAS DE DISPOSITIVOS UTILIZADOS EN PROYECTOS DE BIOMETRIA VASCULAR ........................................................................... 42
3. IMPLEMENTACIÓN ........................................................................................... 46
3.1 ADQUISICIÓN DE LAS IMÁGENES DE PRUEBA ........................................... 46
3.1.1Generación de una base de datos propia. ...................................................... 47
3.1.1.1Montaje físico ............................................................................................... 49
3.1.1.2 Tamaño de las imágenes capturadas ......................................................... 50
3.1.2 Adquisición de una base de datos de terceros. ............................................. 50
3.1.2.1 Normalización ............................................................................................. 50
3.1.2.2 Operador Sobel. .......................................................................................... 52
3.1.2.3 Transformada de Radón. ............................................................................ 53
3.1.3 Base de datos propia vs. base de datos adquirida. ....................................... 55
3.2 DESARROLLO DEL SOFTWARE DE OBTENCIÓN DEL PATRÓN VENOSO .......................................................................................................... 56
5
3.2.1 Ensanchamiento o mejoramiento de la imagen. ............................................ 57
3.2.2 Marcador del patrón vascular.. ....................................................................... 59
3.2.3 Escala de grises. ............................................................................................ 61
3.2.4 Extracción patrón vascular ............................................................................. 63
3.2.5 Algoritmo de Esqueletización Pavlidis ........................................................... 69
3.2.6 LHD ................................................................................................................ 71
3.2.7 Registro y Validación de los Usuarios. ........................................................... 76
3.3 INTERFAZ GRÁFICA ....................................................................................... 80
4. RESULTADOS ................................................................................................... 86
4.1 CINCO IMÁGENES REGISTRADAS Y UNA IMAGEN PARA VALIDACION .................................................................................................... 87
4.2 CUATRO IMÁGENES REGISTRADAS Y DOS IMÁGENES PARA VALIDACION .................................................................................................... 88
4.2.1 Reconocimiento con imagen número cinco ................................................... 88
4.2.2 Reconocimiento con imagen número seis ..................................................... 90
4.3 TRES IMÁGENES REGISTRADAS Y TRES IMÁGENES PARA VALIDACION .................................................................................................... 91
4.3.1 Reconocimiento con imagen número cuatro ................................................. 91
4.3.2 Reconocimiento con imagen número cinco ................................................... 92
4.3.3 Reconocimiento con imagen número seis ..................................................... 94
4.4 DOS IMÁGENES REGISTRADAS Y CUATRO IMÁGENES PARA VALIDACION .................................................................................................... 95
6
4.4.1 Reconocimiento con imagen número tres ..................................................... 95
4.4.2 Reconocimiento con imagen número cuatro ................................................. 96
4.4.3Reconocimiento con imagen número cinco .................................................... 98
4.4.4 Reconocimiento con imagen número seis ..................................................... 99
4.5 UNA IMAGEN REGISTRADA Y CINCO IMÁGENES PARA VALIDACION ... 100
4.5.1 Reconocimiento con imagen número dos ................................................... 100
4.5.2 Reconocimiento con imagen número tres .................................................. 101
4.5.3 Reconocimiento con imagen número cuatro ............................................... 103
4.5.4 Reconocimiento con imagen número cinco ................................................. 104
4.5.5 Reconocimiento con imagen número seis ................................................... 105
4.5.6 Análisis de Resultados ................................................................................ 107
5.CONCLUSIONES .............................................................................................. 111
6. PROYECTOS FUTUROS ................................................................................. 114
BIBLIOGRAFÍA..................................................................................................... 115
7
LISTA DE FIGURAS
Pág.
Figura 1. Sensores infrarrojos ................................................................................ 23
Figura 2.Imágenes en el infrarrojo cercano, NIR .................................................... 26
Figura 3. Nivel de absorción espectral de la hemoglobina desoxigenada .............. 26
Figura 4. Trayecto de la vena Subclavia ................................................................ 29
Figura 5. Venas digitales dorsales de la mano ....................................................... 30
Figura 6. Trayecto de las venas más importantes de la mano y su comunicación con las venas del antebrazo ............................................. 31
Figura 7. Imagen del drenaje venoso del brazo ..................................................... 31
Figura 8. Extracción de las venas........................................................................... 32
Figura 9. Imagen de la mano: espectro visible (izquierda), infrarrojo (derecha) ................................................................................................. 33
Figura 10. Filtrado de zona de interés .................................................................... 34
Figura 11. Imagen original. Region de Interes(ROI) ............................................... 36
Figura 12. Imagen resultante al aplicar método de Otsu ........................................ 36
Figura 13. Zona de interés ..................................................................................... 38
Figura 14. Imagen Resultante despues de la esqueletización ............................... 38
Figura 15. Plantilla de Similitud De Pavlidis ........................................................... 39
8
Figura 16. Cámara utilizada para la captura de las venas de Bosphorus Database .............................................................................................. 41
Figura 17. Posición de la cámara para captura de las venas de la mano .............. 42
Figura 18. Diagrama de bloques general del sistema ............................................ 46
Figura 19. Iluminador infrarrojo............................................................................... 47
Figura 20. Filtro Infrarrojo de 760 nm. .................................................................... 48
Figura 21. Cámara Fotográfica ............................................................................... 48
Figura 22. Estructura de experimentación. ............................................................. 49
Figura 23. Imagen con dimensiones 300x 240. ...................................................... 50
Figura 24. Diagrama de flujo Normalización. .......................................................... 51
Figura 25. Aplicación del Operador Sobel .............................................................. 52
Figura 26. Aplicación del Operador Canny en una imagen de Base de Datos. ...... 53
Figura 27. Aplicación del Operador Laplaciano en una imagen de Base de Datos..................................................................................................... 53
Figura 28. Normalización de una imagen girada hacia la izquierda ....................... 54
Figura 29. Normalización de una imagen girada hacia la derecha ......................... 55
Figura 30. Resultados de las venas del dorso de la mano a partir de la BOSPHORUS DATABASE ................................................................... 56
Figura 31. Venas del dorso de la mano obtenidas con plataforma experimental ......................................................................................... 56
Figura 32. Mejoramiento de la imagen ................................................................... 57
Figura 33. Diagrama de flujo mejoramiento de la imagen ...................................... 58
9
Figura 34. Diagrama de flujo del Marcador del patrón vascular ............................. 59
Figura 35. Imagen del marcador del patrón venoso ............................................... 60
Figura 36. Diagrama de flujo escala de grises ....................................................... 61
Figura 37. Imagen de escala de grises. .................................................................. 62
Figura 38. Aplicación de los diferentes filtros FSPECIAL propios de Matlab .......... 62
Figura 39. Diagrama de flujo extracción patrón vascular ........................................ 64
Figura 40. Imágenes con su respectivo umbral. ..................................................... 66
Figura 41. Imagende extracción Patrón vascular ................................................... 68
Figura 42. Diagrama de flujo Esqueletización Pavlidis ........................................... 70
Figura 43. Imagen de esqueletización de Pavlidis.................................................. 71
Figura 44. Diagrama de flujo algoritmo LHD .......................................................... 75
Figura 45. Diagrama de flujo registro de usuarios. ................................................. 76
Figura 46. Archivo txt de contador de imágenes por usuario. ................................ 77
Figura 47. Archivo txt contador de usuarios ........................................................... 77
Figura 48. Diagrama de flujo validación de usuarios .............................................. 78
Figura 49. Validacion usuario 3 con rango de 900 ................................................. 79
Figura 50. Validacion de usuario 1 con rango por fuera del límite .......................... 80
Figura 51. Imagen inicio de la interfaz .................................................................... 81
Figura 52. Pantalla de ejemplo ............................................................................... 82
Figura 53. Proceso de métodos aplicados a zona de interés ................................. 83
10
Figura 54. Interfazde registro ................................................................................. 83
Figura 55. Interfaz Validación ................................................................................. 84
Figura 56. Proceso de validación de la imagen de usuario1 .................................. 84
Figura 57. Mensaje de Verificación exitosa de usuario 1 ....................................... 85
Figura 58. Mensaje de Verificación no exitosa de usuario ..................................... 85
Figura 59. Gráfica Umbral vs. Usuarios detectados por prueba ........................... 108
Figura 60. Gráfica Umbral vs. Usuarios falsa aceptación por prueba................... 109
Figura 61. Gráfica Umbral vs. Usuarios falso rechazo por prueba. ...................... 110
11
LISTA DE TABLAS
Pág.
Tabla 1. Referencia de cámaras cotizadas ............................................................ 43
Tabla 2. Rangos De Hausdorff. .............................................................................. 72
12
LISTA DE ECUACIONES
Ecuación 1 .............................................................................................................. 35
Ecuación 2 .............................................................................................................. 35
Ecuación 3 .............................................................................................................. 35
Ecuación 4 .............................................................................................................. 39
Ecuación 5 ............................................................................................................ 107
Ecuación 6 ............................................................................................................ 108
13
GLOSARIO
BINARIZACIÓN: técnica empleada para lograr dos colores en una imagen: blanco y negro.
CCD (Charge Coupled Device): dispositivo de carga acoplada. Tecnología para diseñar dispositivos sensibles a la luz.
DISTANCIA DE HAUSDORFF: mide el espacio métrico entre dos conjuntos de puntos.
ESCALA DE GRISES: escala empleada para graduar la intensidad de un pixel en una imagen.
ESQUELETIZACIÓN: método que busca eliminar la mayor cantidad de datos de una imagen, pero que se siga conteniendo su rastro original.
MARCADOR PATRÓN VASCULAR: método empleado para reducir la intensidad de la imagen a la mitad, es decir la convierte a una imagen plana, que hace referencia a la pérdida de volumen es decir, la eliminación de la tercera dimensión de la imagen.
NIR (Near to infrared): rango espectral que poseen algunas cámaras y que varía de acuerdo a su aplicación.
PATRON VENOSO: mapa de distribución de las venas del cuerpo humano.
ROI (region of interest): Región deseada de análisis para varios métodos biométricos (iris, huella, facial), utilizada para el procesamiento, registro y validación de usuarios.
14
RESUMEN Este trabajo de grado tiene como objetivo fundamental la implementación algorítmica de un sistema que permite el reconocimiento de usuarios por medio de imágenes de las venas del dorso de la mano capturadas en el espectro infrarrojo. La motivación para este proyecto es la necesidad de implementar sistemas de reconocimiento biométrico en el sector público y privado como empresas, bancos, centros educativos, para la protección de la información y de los espacios.
Se presenta el desarrollo y evaluación de un sistema computacional, que realiza el registro y validación de identidad de personas utilizando imágenes de las venas de la cara dorsal de la mano, a través de implementación de algoritmos de procesamiento de imágenes y de reconocimiento de patrones, hasta llegar a la validación de usuarios utilizando el algoritmo de autentificación, Line Segment Hausdorff Distance (LHD).
Se utilizó la plataforma de programación MATLAB, en la que se aplicaron los algoritmos ya mencionados y se presenta una interfaz gráfica de usuario, en la que se evidencia la validación, registro y reconocimiento de usuarios.
Palabras claves: Biometría, Patrón Venoso, Método de Otsu, Método Pavlidis, Binarización, LHD, Normalización.
15
INTRODUCCIÓN
Con el desarrollo de nuevas tecnologías en el mundo moderno, la sociedad está cada día más ligada a la electrónica. Anteriormente el ser humano realizaba muchas actividades manualmente, pero se encontró la necesidad de crear autómatas que pudieran hacer eficiente en menos plazo de tiempo dichas tareas. Dentro de la gama de actividades que pueden automatizarse, se puede nombrar la función que tienen los dispositivos biométricos para lograr establecer la identidad de los individuos, convirtiéndose de esta forma la biometría en un área emergente
La identificación personal a lo largo de nuestra historia se ha basado en la utilización de varios mecanismos como lo han sido: tarjetas inteligentes y números de identificación personal (PIN), sin embargo estos métodos ofrecen una seguridad muy limitada y son poco confiables al ser vulnerables a eventos externos, como hurtos de documentos para la extracción de claves. Por este motivo se empezó a trabajar en la tecnología biométrica utilizando características biológicas, que al ser únicas para cada ser humano (huellas de los dedos, iris, venas), convierten la identificación del usuario en parte integral de la seguridad del sistema, (Motato & Correa, 2009, pp.90-100)
A pesar de que actualmente, la utilización y el desarrollo de dispositivos biométricos es cada vez más común, como por ejemplo el uso de dispositivos de identificación a través del reconocimiento de huellas dactilares, la necesidad creciente de querer mejorar y brindar este tipo de controles de acceso y seguridad ha generado investigaciones en nuevas tecnologías biométricas, como lo es el reconocimiento de las venas de las manos. Esta técnica apareció recientemente hacia el año de 1990. (Motato & Correa, 2009, pp.90-100). Solo hacia el año de 2001 alcanza la relevancia que tiene hoy en día.
El patrón venoso de la mano posee muchas características que lo hace único y quizás uno de los sistemas más importantes y con mayor demanda en la actualidad. Es importante mencionar que en este tipo de dispositivos la sangre debe estar fluyendo. Para poder registrar la imagen del patrón de interés que se va a usar para la identificación personal. Además investigaciones como las de la empresa Fujitsu (Fujitsu, Palmsecure, 2005) dejan en evidencia que el patrón de venas es único para cada individuo y asi mismo son diferentes las venas de mano derecha y de la mano izquierda y permanecen intactas con el pasar del tiempo.
16
El crecimiento y el desarrollo de los individuos, es un proceso que está en continua renovación desde el momento de la concepción hasta el final de la pubertad, período durante el cual se alcanza la madurez en sus aspectos: físico, psicosocial y reproductivo. A partir de lo anterior, se puede afirmar que esta transformación involucra cambios en el tamaño, organización espacial y diferenciación funcional de tejidos y órganos, pero queda demostrado en los diversos estudios (Hitachi, 2009) (Fujitsu, Palmsecure, 2005), que muestran, que el patrón venoso no cambia a lo largo de la etapa de crecimiento humano y esta se convierte en la razón más fuerte que tiene este proceso de investigación, pues logra que este tipo de proyectos sea realmente confiable.
El objetivo general de este proyecto fue desarrollar un algoritmo de identificación biométrica en MATLAB para un sistema de control de acceso. Para cumplir con este objetivo generar se plantearon los siguientes objetivos específicos:
-Realizar una investigación exhaustiva del estado del arte del reconocimiento vascular.
-Diseñar e implementar el sistema de captura del mapa venoso de la mano.
-Implementar un método de captura y reconocimiento biométrico vascular para ser usado en un sistema de control de acceso en Matlab.
-Generar el sistema de búsqueda en una base de datos para la autentificación de personas.
-Divulgar los resultados obtenidos durante todo el proceso.
A continuación se refiere de manera breve y precisa el contenido de cada uno de los capítulos que contiene este trabajo de grado.
En el Capítulo 1 se realiza la descripción del estado del arte presentando estudios realizados por investigadores a nivel local e internacional, recalcando los diferentes métodos algorítmicos y el hardware implementado. En el Capítulo 2 se describe la base teórica que fundamenta la investigación. En el Capítulo 3 se muestra el desarrollo e implementación propia, describiendo el diseño del algoritmo implementado, detallando la implementación realizada en cada una de las etapas que componen el algoritmo y la interfaz de usuario en el GUIDE de Matlab. El Capítulo 4 se incluye el informe de resultados logrados durante las diferentes etapas del proyecto y su respectivo análisis para la posterior obtención de conclusiones. En la parte del Capítulo 5 incluye todas las conclusiones obtenidas en el desarrollo de esta investigación, teniendo en cuenta cada una de
17
las etapas que fue necesaria para cumplir con los objetivos. Posteriormente, se hacen unas recomendaciones, que son mencionadas en el Capítulo 6 que habla sobre las líneas futuras de investigación dentro del campo del reconocimiento de individuos por medio de las venas dorsales de la mano.
Se realizaron capturas del patrón venoso con una cámara digital convencional, agregando la utilización de un filtro infrarrojo de 720 nm, y de 4 iluminadores infrarrojos, sin embargo los resultados no fueron los esperados, porque a pesar de poder reconocerse el patrón de venas, eran difíciles las condiciones para la toma y los resultados al pasarlas por el algoritmo, no fueron exitosos.
Luego se realizó el procesamiento de la imagen obtenida en la captura a través de los diferentes algoritmos implementados para dicho proyecto.
Para lograr una identificación eficaz y confiable el proceso del software se basó en la utilización de cuatro algoritmos fundamentales: El método del filtro Pasa altas para eliminación de ruido, realzar los bordes y detectar los bordes de la imagen de interés. La binarización que extrae las diferencias presentes entre los objetos que se ven con respecto al fondo de la escena, logrando realzar los pixeles de interés de la imagen con respecto al fondo que lo rodea; La umbralización que se basa en extraer de un patrón la mayor cantidad de pixeles posibles sin afectar la forma general de este, logrando de esta manera que la imagen resultante sea tan delgada como sea posible y el cálculo de la distancia del segmento de Hausdorff, encargado de medir distancias de segmentos de línea entre dos conjuntos de estas y verificar su similitud.
18
1. ESTADO DEL ARTE 1.1 DESARROLLO HISTÓRICO En el proceso histórico del desarrollo de la biometría se habla de un suceso muy destacado que desencadenó la investigación y desarrollo de nuevas tecnologías biométricas. Para hablar de su origen especifico se nombra al señor Alphonse Bertillon un francés que era funcionario de la prefectura de policía de Paris, quien propone la utilización de un sistema de identificación y clasificación de criminales (bertillonnage, "bertillonaje") que se basaba en mediciones antropométricas de la cabeza y las manos. Aunque inicialmente sus superiores lo rechazaron, el nuevo prefecto, Came Scasse, le permitió probarlo durante tres meses, período durante el cual el sistema demostró su eficacia. A partir de 1882, la policía parisina lo incluyó en sus métodos, y luego también lo hicieron las de otros países (Vidas, 2011); este fue quizás el proceso mas claro que ayudó a que muchas personas interesadas en mejorar la seguridad tomarán la alternativa de medición biométrica.
En la actualidad las empresas, instituciones educativas, locales, entre otras, buscan la manera de tener un control más seguro y confiable sobre los aspectos y control de accesos básicos para la entidad. El avance y crecimiento en el campo laboral hace posible que el progreso con relación a la tecnología y seguridad sea cada vez mejor. Por esto, se presenta la necesidad de controlar el acceso de empleados, manejar archivos importantes bajo una seguridad prácticamente inviolable con un registro rápido y concreto de las áreas donde se quiere tener revisión. Luego, se almacenan dichos registros en una base de datos para controlar el acceso a un lugar del personal, así como también, el control de documentos confidenciales de la organización. En este punto el uso de sistemas de identificación biométrica puede ser la solución. La necesidad hace posible que se mejoren los controles de acceso y seguridad orientando el diseño de nuevos sistemas de identificación personal hacia la utilización de rasgos biométricos, fisiológicos y comportamentales, que garanticen niveles de desempeño cada vez más altos.
En este estado del arte se enfocan tres parámetros básicos.
-Hardware
-Software
-Aplicaciones existentes en el mercado nacional e internacional.
1.1.1 Hardware.Desde el punto de vista del hardware, se encuentra el trabajo de Óscar Fernando Motato Toro y Humberto Loaiza Correa: “Identificación biométrica
19
utilizando imágenes infrarrojas de la red vascular de la cara dorsal de la mano”. Se usó una cámara de video convencional (Cámara de infrarrojo cercano (NIR)0.9 - 1.7 µm | FLIR SC2500), lentes ópticos, controladores de fuentes de iluminación infrarroja y un frame grabber, que es un dispositivo electrónico que capta imágenes individuales, se utiliza como un componente de un sistema de visión por ordenador. También se implementaron redes neuronales artificiales para el reconocimiento de patrones vasculares, alcanzando una eficiencia de reconocimiento de 95,72% en un umbral igual a 65%, y 8,57% y 0% para las tasas de falsa aceptación (FAR) y falso rechazo (FRR) respectivamente. (Motato & Correa, 2009, pp.90-100)
También, en los artículos titulados “A Direction - Based Vascular Pattern Extraction Algorithm for Hand Vascular Pattern Verification” y “The Fourth Biometric- Vein Recognition”, realizados por Im Sang Kyun y Li Xueyan respectivamente, coinciden en el uso de una cámara CCD, aunque no mencionan la referencia. Este tipo de cámaras usan como medio de captación de imagen un chip sensor denominado en inglés CouplingCharge Detector, (Detector de acoplamiento de carga), en lugar de una película fotosensible, con este tipo de cámara se logró mejorar tres veces la tasa de falsa aceptación (FAR) (1,2%). (Kyun & Soo-won, 2003) (Xueyan & Shuxu, 2008)
Lingyu Wang and Graham Leedham en su trabajo de investigación “A Thermal Hand Vein Pattern Verification System” para captar las venas, hicieron uso de una cámara térmica, que al igual que en la tesis de Im Sang Kyun, Choi Hwan Soo, y Kim Soo-Won, (Kyun & Soo-won, 2003) (Xueyan & Shuxu, 2008), dejan muy en claro que este tipo de elementos son dispositivos capaces de formar imágenes visibles, los cuales a partir de las emisiones en el infrarrojo, mediante el espectro electromagnético, emitido de los cuerpos detectados y que la transforma en imágenes luminosas para ser visualizada por el ojo humano. El sistema empleado por Wang y Leedham reconoce directamente las formas de la configuración de las venas a través del segmento de línea, usando la distancia Hausdorff, aunque este método se desarrolla a partir de Software. Con esta cámara se logró una buena visualización e imagen, pero fue necesario un entorno de oficina normal en un lugar cerrado; puesto que el ambiente tropical de afuera dicho sitio fue de (30-34 ◦ C y> 80%humedad). Se pudo observar que la temperatura ambiente y la humedad tenían un impacto negativo en la calidad de la imagen, y los patrones de venas en estos casos no fueron fácilmente distinguibles visualmente (Leedham, 2007).
Por último, cabe mencionar que en la tesis “Spectral Selection for a Biometric Recognition System Based on Hand Veins Detection Through Image Spectrometry”, desarrollada por Francisco Cortés, José M. Aranda, Raúl Sánchez–Reillo, Juan Meléndez, Fernando López; Utilizaron la cámara XS-1.7-320, que es una cámara de infrarrojo cercano de Arseniuro de Indio y Galio (InGaAs), con
20
resolución de 320 x 256 píxeles, respuesta espectral en la banda entre los 0.9 y 1.7 µm y una velocidad de captura de hasta 60 Hz. (Cortés, Aranda, Sanchez–Reillo, Meléndez, & López, 2009)
1.1.2 Software.Se destaca el trabajo de Óscar Fernando Motato Toro y Humberto Loaiza que implementaron en la parte del software cinco módulos para poder obtener las imágenes de las venas de las manos: el primer módulo, es el de la visualización y captura de la imagen, esta primera etapa se encarga de la adquisición de imágenes desde el dispositivo de captura al entorno de trabajo de MATLAB, utilizando para ello las funciones del Toolbox de adquisición de imágenes. En el segundo módulo, se encuentra el pre-procesamiento, el cual se utiliza para lograr exactitud y confiabilidad en la extracción de los patrones de las venas de la mano, y debe garantizar que estos patrones pertenezcan a la región similar en cada una de las imágenes. En el tercer módulo, se habla de la parte de procesamiento, en este módulo tiene lugar la extracción del patrón vascular a partir de la imagen contenida en la región de interés ROI. Para ello se propone un algoritmo de umbralización local, que se encarga de separar la región que contiene el patrón de las venas de la mano del resto de la superficie, y un algoritmo para representar la estructura del patrón por medio de su esqueleto; el cuarto módulo, se generan los templates, en este se busca obtener un vector con una menor cantidad de componentes a los contenidos en la imagen original pero que mantengan la información discriminante del patrón; y el quinto modulo, se encarga de hacer el registro y la verificación, en esta última etapa de procesamiento el propósito es el de obtener un indicador de autenticidad para el reconocimiento automático de personas(Motato & Correa, 2009, pp.90-100). En el artículo “A Direction - Based Vascular Pattern Extraction Algorithm for Hand Vascular Pattern Verification” realizada por Sang Kyun Im, Hwan Soo Choi, y Soo-Won Kim. Utilizaron un algoritmo para reducir el impacto de pérdida del patrón vascular y conectividad denominado: Dirección basada en la extracción de patrón vascular (DBVPE), e igualmente se aplican dos filtros de pre-procesamiento diferentes al de las imágenes de entrada, este algoritmo recibe el nombre de fila vascular patrón de extracción de filtro (RVPEF), para la parte de la extracción eficaz de los patrones vasculares y abscisas emplearon el algoritmo de columna vascular patrón de extracción de filtro (CVPEF). (Kyun & Soo-won, 2003)
Para el caso del proyecto investigativo de Wang y Leedham y para la tesis “Vein pattern recognition. Image enhancement and feature extraction algorithms” realizada por Septimiu Crisan, Ioan Gavril Tarnovan, Titus Eduard Crisan, estos utilizaron los mismos algoritmos que los colombianos Óscar Fernando Motato Toro y Humberto Loaiza. El algoritmo de segmentación trata de mejorar la representación de la forma de la configuración de las venas, por ende es necesario separar el patrón de venas de la imagen del fondo, posteriormente se hace el proceso de esqueletización utilizando el método de adelgazamiento
21
propuesto por Zhang y Suen. Este busca obtener el esqueleto de los patrones de las venas para poder obtener una imagen y marcación más clara de la forma de las venas de las manos de cada individuo almacenadas en la base de datos; Finalmente, emplean el algoritmo de segmento de línea de distancia Hausdorff entre un par de patrones de venas. El algoritmo de Distancia Hausdorff es una medida natural para la comparación de similitud de formas. Es una medida de la distancia entre dos conjuntos de puntos y comprobar la verificación entre las imágenes que se tienen almacenada y la que se acaba de capturar. (Wang & Leedham, 2007).
1.1.3 Aplicaciones existentes en el mercado nacional e internacional.Las empresas que se dedican a la implementación de sistemas biométricos se han enfocado en el desarrollo de dispositivos biométricos de patrón vascular como un mecanismo útil, seguro y confiable para acceso y seguridad de documentos, como el caso de HITACHI que adecua el patrón venoso del dedo o de la mano. El reconocimiento del patrón vascular (VPR) proporciona la facilidad de uso de la geometría palmar, con una precisión mucho mayor, el lector es de tamaño diminuto y sin contacto. El sistema Hitachi analiza las venas solo de un dedo. A continuación se hace la coincidencia con los patrones venosos de sus respectivas plantillas pre-establecidas (Sandeivid, 2012).
Como la luz del infrarrojo cercano generado por el Banco de LED’s (diodos emisores de luz) penetra en el tejido del cuerpo, que se refleja en la hemoglobina en la sangre. Un CCD (dispositivo de carga acoplada) de la cámara (que utiliza un pequeño trozo rectangular de silicio para recibir la luz entrante) captura la imagen de la configuración de las venas a través de esta luz reflejada. El procesamiento de imágenes construye un patrón de venas del dedo de la imagen de la cámara. Este patrón se comprime y se digitaliza de manera que pueda ser registrado como una imagen de plantilla o digitalizada que se compara con la plantilla almacenada del usuario, y determina si hay una coincidencia, usando la coincidencia de golpeteo-técnicas. Los algoritmos reales utilizados en el proceso difieren de un proveedor a otro. (Motato & Correa, 2009, pp.90-100).
Los sistemas Fingervein han ganado una amplia aceptación en el sector bancario, especialmente en Japón (Hitachi, 2009). Por otra parte, los sistemas de las venas del dedo tienen varias ventajas:
No hay ninguna característica de latencia. Los patrones de las venas de los dedos son inalterables con el pasar de los años. Esta es una consideración muy importante para este tipo de sistemas.
22
Los sensores vasculares usados son a la vez durables y usables (Sandeivid, 2012). Los sensores hacen la búsqueda debajo de la piel y no tienen problemas con los cortes en los dedos, la humedad y la suciedad.
Demuestran tasas de precisión muy altas, actualmente superiores a imágenes de huellas dactilares, y son muy difíciles de falsificar, sin embargo, la precisión relativa de las dos tecnologías podrían cambiar con el tiempo ya que la tecnología de huellas dactilares ha hecho mejoras significativas.
Están cerca de los dedos sin contacto. Lo que esto significa es que sólo la parte más alta del dedo hace contacto, y eso es sólo para alinear el dedo para obtener imágenes consistentes. La parte media del dedo (la falange media), desde donde la cámara CCD capta su imagen no tiene una superficie de contacto con nada.
Son extremadamente fáciles de usar ya que son bastante intuitivos y requieren muy poca formación por parte del usuario. La empresa HITACHI también diseñó otro dispositivo que lleva por nombre “Finger Vein ATM”, este dispositivo elimina la necesidad de tarjetas bancarias o números de identificación personal (PIN), eliminando así los problemas relacionados con la pérdida, robo o falsificación de tarjetas o contraseñas. Igualmente los bancos pueden utilizar estos sistemas de autenticación de venas de los dedos para gestionar eficazmente las operaciones en las sucursales bancarias y depósitos (Hitachi, 2009). Finalmente la empresa Fujitsu desarrolló e implementó otro sistema de autenticación biométrica altamente fiable basada en la tecnología de las venas de la palma, este sistema recibe el nombre de Palm Secure, el cual tiene unas características de precisión, confiabilidad y seguridad, es líder en la industria de autenticación con tasas de falsos extremadamente bajas, y el dispositivo de lectura no invasiva y sin contacto ofrece facilidad de uso con prácticamente ninguna restricción fisiológica para todos los usuarios. Igualmente tiene particularidades específicas como las siguientes:
Control de acceso físico / Tiempo y Asistencia.
Autenticación de usuario para PC o sistemas de servidores.
Gobierno / Sistemas Comerciales de gestión de identidad.
Dispositivos terminales OEM (POS, cajeros automáticos o puntos de información).
23
Otras aplicaciones específicas de la industria(Wang & Leedham, Diciembre 2007) (Fujitsu, Palmsecure) La tecnología de Fujitsu se ha probado con sus 140000 empleados y ha demostrado una falsa aceptación con un índice del 0.00008% y el índice de falso rechazo del 0.01% (Hitachi, 2009).
Laccess System, de California (EE.UU.) está revendiendo un sistema de reconocimiento de la vena del dedo basado en el sistema de la empresa japonesa ed Bionics Co Lt. En vez de rastrear la palma, este sistema observa el dedo, así se permite un factor más pequeño de la forma del dispositivo frente al explorador de la palma (Bionics, 2008).
Figura 1. Sensores infrarrojos
Hitachi’s Finger Vein device
Palm Secure by Fujitsu Hitachi’s Finger Vein ATM
Fuente: (Hitachi, 2009).
24
2. MARCO TEÓRICO 2.1CONCEPTO BIOMÉTRICO La biometría es una rama perteneciente a la biología que se encarga de investigar e indagar acerca del estudio estadístico de los procesos biológicos que definen al ser humano. Este tipo de dispositivos usa técnicas aplicables para lograr la identificación y autenticación de las personas, de manera automática (aplicando técnicas estadísticas y de inteligencia artificial y lógica difusa, redes neuronales, etc.); esta herramienta está llamada a sustituir los diferentes sistemas de seguridad que requieren de ciertos elementos que pueden ser hurtados o suplantados; diferente a las características propias de cada individuo, logrando de esta manera que la necesidad de depender de un PIN, un tarjeta o de una memoria puede evitar inconvenientes tales como: el olvido, la pérdida o el robo de estos dispositivos (Modet & Atenea, 2011). Este término igualmente comprende varias tecnologías que se han enfocado en la verificación de identidad de una persona haciendo uso de varias características propias de cada ser humano como es el caso de: Las huellas dactilares, la retina, la voz, los patrones faciales, la geometría de la mano, el patrón del iris, las venas de las manos etc. 2.2 ORIGEN DE LA BIOMETRÍA Es importante decir que el término “Biometría” proviene del griego “bio” (vida) y “metrón” (medida) y se refiere a todas aquellas técnicas que permiten identificar y autenticar a las personas a través de sus características fisiológicas y de comportamiento. La biometría es un término que hace referencia al estudio de medidas o estadístico de los fenómenos o procesos biológicos aprovechando que hay ciertas características biológicas o conductuales singulares e inalterables, que pueden ser analizados y medidos para crear una huella biométrica, dependiendo del patrón que se quiera utilizar (Carvajal & Reyes, 2010). En pocas palabras es el estudio de todos aquellos procesos o sistemas automáticos para el reconocimiento único de humanos. Se basa lógicamente en parámetros físicos y rasgos conductuales, dependiendo de qué tipo de sistema se haga referencia. Las huellas dactilares, las retinas, el iris, los patrones faciales, de venas de la mano o la geometría de la palma de la mano, representan ejemplos de características físicas (estáticas), mientras que entre los ejemplos de características del comportamiento se incluye la firma, y el paso (Tapido & Siguenza, 2005). La biometría no se puso en práctica en las culturas occidentales sino hasta finales del siglo XIX, pero en países como la China desde el siglo XIV ya se estaban empleando este tipo de sistemas. Los comerciantes chinos estampaban las
25
impresiones y las huellas de la palma de las manos de los niños en papel con tinta, como método para distinguir entre los niños y jóvenes (Barros, 2003). La identificación personal se ha cimentado en sistemas tradicionales tales como: Tarjetas inteligentes, números de identificación personal (PIN). Sin embargo el ser humano siente apatía por este tipo de seguridad debido a la poca fiabilidad que estos brindan, ya que es muy fácil lograr su copia, perdida o hurto. Hoy en día gracias a los avances en el campo de la investigación biométrica se considera que este tipo de inconvenientes pueden ser minimizados, ya que los sistemas biométricos extraen ciertas características biológicas de las personas haciendo de este modo que el sistema sea inalterado. 2.3 SISTEMA BIOMETRICO PATRÓN VENOSO. Las primeras publicaciones relevantes referentes a biometría de la mano datan de 1999. Estos primeros sistemas estaban basados en imágenes del dorso de la mano, usando como sistemas de adquisición sensores CCD. Los rasgos biométricos se basaban en el ancho y el largo de los dedos así como medidas geométricas de la palma de la mano. Las tasas de verificación se situaban por debajo del 3%. Estos sistemas utilizaban topes que guiaban al usuario en la colocación de la mano. (González, Morales, & Ferrer, 2007)
El sistema de patrón venoso ha sido centro de estudio por parte de unos investigadores en años recientes. Los sistemas que hacen uso de imágenes de la mano usan la red vascular, como mecanismo de identificación personal; este rasgo resulta muy útil para el indicador biométrico ya que satisface las propiedades de: confiabilidad (sistema confiable en seguridad) y unicidad (patrón vascular único por usuario), puesto que estos rasgos son únicos en cada ser humano, es tanto su confiabilidad que estudios como el de Oscar Motato y Humberto Loaiza(Motato & Correa, 2009, pp.90-100), demuestran que nunca se llegan alterar estos parámetros. La cuestión de obtener una toma de imágenes del patrón vascular de la mano requiere obligatoriamente del uso de cámaras NIR, que tiene la característica de revelar el espectro no visible al ojo humano, como se muestra en la figura 2.
26
Figura 2. Imágenes en el infrarrojo cercano, NIR
Fuente:(Yulksel, Akarun, & Sanku, 2010). El infrarrojo cercano es la región de longitud de onda más corta del espectro infrarrojo, situada entre dos parámetros que son: la luz visible y el infrarrojo medio, cerca de entre 800 y 2500 nanómetros. El nivel de absorción espectral de la hemoglobina desoxigenada presenta un parámetro alto en la región del infrarrojo cercano. Para estos casos se nota que la red vascular aparece más oscura que el resto de la superficie de la mano, como se evidencia en la figura 3, la cual indica que en 760nm, el infrarrojo permite la visualización de las venas del dorso de la mano.
Figura 3. Nivel de absorción espectral de la hemoglobina desoxigenada
Fuente: (Motato Toro & Loaiza Correa, 2009,pp.90-100)
27
De todo el espectro electromagnético, el ojo humano solamente puede detectar un pequeño segmento de la banda comprendido entre los 400 nm y 700 nm aproximadamente y denominado la banda del espectro visible, sin embargo generalmente existe mucha más información útil en las otras bandas del espectro (Motato & Correa, 2009, pp.90-100).
Por ejemplo, en luz visible, la estructura de las venas de la mano, tanto en su cara palmar como dorsal, es poco perceptible, y su visibilidad varía significativamente dependiendo de factores tales como la edad, los niveles de grasa subcutánea, la temperatura y humedad en el ambiente, la actividad física y la posición de la mano. Otras características de la superficie cutánea tales como lunares, verrugas, cicatrices, pigmentación y vellos pueden oscurecer la imagen. (Motato Toro & Loaiza Correa, 2009, p. 90).
Para fortuna, el uso de imágenes infrarrojas trae consigo muchas ventajas porque se puede percibir la diferencia entre los vasos sanguíneos y el resto de la piel, además de mejorar la imagen eliminando ciertos rasgos no deseados, esto es posible gracias a las cámaras NIR. 2.3.1 Características de las Venas como Identificadoras Biométricas.Como se mencionó en la introducción de este libro, las venas de la mano proseen una forma vascular única para cada individuo incluso para el caso de los gemelos y de los mellizos y mantiene estable esta estructura por largos períodos de tiempo,lo cual hace a este sistema mas confiable.Esta estructura puede ser detectada y capturada con la ayuda de rayos infrarrojos que se pueden irradiar a traves de la piel.La calidad de las venas de la mano depende de caracteristicas superficiales tales como: lunares, verrugas y cicatrices. Esta clase de sistemas de patrón venosos han sido menos estudiados en comparación con otros rasgos probablemente, pero es quizás esta la importancia y lo mejor de este proyecto investigativo (Yulksel, Akarun, & Sanku, 2010).
Las propiedades de las venas dorsales de la mano que hacen de este sistema un dispositivo confiable son:
Seguridad, es imposible poderlo modificar o perderlo como cualquier tarjeta de identificación o tarjeta.
La característica particular de mantener su misma estructura a pesar del paso del tiempo, esto lo hace viable y aún más seguro.
Presenta una forma clara y segura de captura, que es a través de la luz infrarroja.
28
La complejidad en los patrones vasculares hace que esta estructura sea única e imposible de alterar.
Es no invasivo, por lo que el usuario no entra nunca en contacto con el dispositivo. Entre las desventajas que presenta se encuentran:
El espacio que se requiere para hacer la captura.
La calidad de la imagen depende de la contextura de la piel y de lunares y objetos, además de factores como la temperatura y la humedad.
2.3.2 Venas de las manos como mecanismo de identidad. El patrón de las venas del individuo puede ser capturado por una cámara de infrarrojos de forma discreta, al igual que cualquier fotografía y ayudada por otros implementos para que la captura sea lo más clara y confiable posible. Por ello puede ser utilizada también para la identificación inadvertida. Un sistema basado en este tipo de rasgos no requiere el contacto físico y no es invasivo, pero la adquisición de imágenes en entornos no controlados se dificulta como es el caso de lugares muy luminosos, Una tecnología que utiliza imágenes de infrarrojo cercano se utiliza para explorar el dorso de la mano, determinando la estructura de las venas de la mano. Los sensores infrarrojos son los elementos esenciales y básicos para lograr una buena captura (Modet & Atenea, 2011).
A continuación se realiza una descripción sobre las características físicas y morfológicas de las venas utilizadas como mecanismo dentro del sistema de identificación biométrico. 2.3.2.1Las venas. Las venas son consideradas como vasos sanguíneos que conduce la sangre desde los capilares al corazón.
2.3.3 Estructura anatómica y fisiológica de las venas dorsales de la mano. Como en toda investigación, para poder empezar hablar e identificar cada uno de los métodos de algoritmo a utilizar, se deben conocer los componentes que se requieren para la captura de las venas de las manos, y demás estudios que se han realizado para lograr resultados confiables, es necesario conocer a fondo la anatomía de las venas de las manos para determinar el papel importante que juegan en el desarrollo de este sistema. La sangre venosa de las extremidades superiores se drena desde la mano, antebrazo y brazo hasta la vena subclavia derecha o izquierda, que termina desembocando en la cava superior, y ésta en la aurícula derecha pasará al ventrículo izquierdo y se oxigenará en los pulmones,
29
antes de ser bombeada otra vez. La sangre desoxigenada, es recogida por numerosas venas de pequeño calibre de la mano, que desembocan en el arco venoso profundo y vena dorsal de la mano.
Para aclarar sobre las venas subclavias y la vena dorsal, se debe decir, que en el caso de las venas subclavias son dos grandes venas bilaterales: las subclavias derecha e izquierda. Su diámetro es aproximado al de un dedo meñique, e inicia en el borde exterior de la primera costilla en borde medial del músculo escaleno anterior. Posteriormente se une a la vena yugular interna para formar la vena braquiocefálica (también conocida como vena innominada). El ángulo de unión es llamado el ángulo venoso. Las venas subclavias siguen el mismo curso que la arteria subclavia y está separado en la cara posterior por la inserción de los escalenos anteriores (Academic, 2000-2010). Ver figura 4.
Figura 4. Trayecto de la vena Subclavia
Fuente: (Garcia, B. A. 1997) Las venas digitales dorsales se unen para formar las redes venosas de los dedos. Ver figura5.
30
Figura 5. Venas digitales dorsales de la mano
Fuente: (Soup, 2010) Las redes venosas de la mano dan origen a varios troncos principales, que se convierten en los tronco colectores de las venas del antebrazo una explicación más clara de las venas que componen estas redes.
Vena cefálica: Esta vena es una vena superficial que se ubica en el lado externo del brazo, asciende por la cara lateral del antebrazo y se localiza en la fosa del codo en el surco bicipital lateral.
Vena basílica: cubital superficial, discurre por el borde medial de la cara anterior del antebrazo.
Vena cefálica accesoria: es una vena que se origina en la parte cubital de la red dorsal de la mano y abarca hasta antes de llegar al codo.
Vena mediana: nace en el arco venoso palmar y sigue en línea recta por la parte ventral del antebrazo hasta unirse a la vena mediana del codo o vena mediana cubital.
Braquiales profundas: la vena braquial es parte de un sistema intrincado de venas de los miembros superiores. Hay dos venas braquiales en cada brazo. Estas venas funcionan junto con las arterias braquiales para llevar sangre a y desde el corazón y los brazos (Academic, 2000-2010).Ver la figura6.
31
Figura 6. Trayecto de las venas más importantes de la mano y su comunicación con las venas del antebrazo
Fuente: (Garcia, B. A. 1997).
El drenaje venoso del brazo lleva a hablar de la vena axilar, la más importante de la extremidad superior, formada por la unión de las braquiales profundas y la basílica. Finalmente, la vena axilar drena su contenido a la vena subclavia que como señalamos anteriormente lleva su sangre a la cava superior y de ésta al corazón. Ver la figura7.
Figura 7. Imagen del drenaje venoso del brazo
Fuente: (Garcia, B. A. 1997) 2.3.4 Argumentos del reconocimiento biométrico patrón venoso. Este rasgo fisiológico es útil como indicador biométrico debido a que cada ser humano posee
32
estos rasgos propios, pues estos patrones son únicos en cada persona, incluso diferente entre gemelos, y son distintos en la mano derecha y la izquierda; y estas no cambian con el crecimiento, simplemente se amplían manteniendo el mismo patrón (Wang & Leedham, 2005, pp 58-65). Ver la figura 8.Este sistema igualmente tiene como ventaja los siguientes parámetros:
Su nivel de seguridad es superior al de otros sistemas (Modet & Atenea, 2011).
Su capacidad y velocidad de respuesta (Modet & Atenea, 2011).
Su aumento de la demanda, tanto para el uso privado como para las fuerzas armadas y fuerzas y cuerpos de seguridad del estado. (Modet & Atenea, 2011)
Figura 8. Extracción de las venas
Fuente: (Ounae,2011) 2.3.5 Rango espectral para lograr captura de las venas del dorso de las manos.La extracción y el procedimiento para el reconocimiento biométrico vascular se realizan aproximando la palma de la mano a un sensor que por medio de rayos infrarrojos que capturan el patrón de las venas. Esto sucede porque la hemoglobina absorbe la luz y hace que las venas se muestren negras, dibujando una especie de mapa; este se traduce en una representación matemática. Para que todo esto funcione es imprescindible que la sangre este fluyendo. Además, al encontrarse las venas unos milímetros por debajo de la piel, su copia e intento de falsificación se hace casi imposible.
En la actualidad los sistemas de reconocimiento biométrico vascular, están diseñando bases de datos por medio de algoritmos matemáticos para el
33
reconocimiento de patrones únicos de cada individuo y realizando una comparación entre él y la imagen de la base de datos para una posterior utilización como control de acceso. Lo que se está realizando en el campo de la biometría vascular, es la generación de una base de datos de usuarios, con imágenes a las cuales se les realiza un pre-procesado, mediante binarización en la cual se aplican diferentes algoritmos como los de Otsu, Ridler-Calvar y Lloyd, y luego se procede a extraer el contorno, el cual es la frontera obtenida en la binarización. Se puede evidenciar lo anterior en la Figura 9 donde se muestra la representación de la mano: espectro visible (izquierda), infrarrojo (derecha).
Figura 9. Imagen de la mano: espectro visible (izquierda), infrarrojo (derecha)
Fuente: (Gonzalez, Morales, & Ferrer, 2007)
2.4 PROCESAMIENTO DE LA IMAGEN Como la imagen es sometida a variaciones constantes se hace necesario seguir una serie de procedimientos para poder obtener la zona de interés de las venas dorsales de la mano. Los métodos utilizados en el proyecto son: Filtración, Normalización, Binarización, Esqueletización, LHD (Line Segment Hausdorff Distance). A continuación se explica cada uno:
Estos métodos fueron utilizados, ya que en la bibliografía consultada usan los mismos bloques como lo son la normalización, binarización, esqueletización, y los demás métodos como mejoramiento de imagen y marcador del patrón vascular, no son utilizados de comúnmente pero son necesarios en algunos casos, como en el presente proyecto se evidenció, para mejorar las imágenes resultantes de algunos bloques. A continuación se describe la teoría asociada a dichos bloques.
34
2.4.1 Filtrado de la imagen. Para lograr una imagen clara y concreta de las venas de las manos se debe realizar la implementación de un filtro pasa alta, que busca a través de un proceso matemático, entre una imagen digital a procesar y una matriz de números previamente determinada, eliminar todos los posibles ruidos e imperfecciones que presenta la imagen de interés, para de esta forma poder obtener una imagen con características ya mejoradas y que posibilite efectuar operaciones del procesado sobre ella.Los principales objetivos que se persiguen con la aplicación de filtros son:
Suavizar la imagen: reducir la cantidad de variaciones de intensidad entre píxeles vecinos.
Eliminar ruido: eliminar aquellos píxeles cuyo nivel de intensidad es muy diferente al de sus vecinos y cuyo origen puede estar tanto en el proceso de adquisición de la imagen como en el de transmisión.
Realzar bordes: destacar los bordes que se localizan en una imagen.
Detectar bordes: detectar los píxeles donde se produce un cambio brusco en la función intensidad.
Por tanto, se consideran los filtros como operaciones que se aplican a los píxeles de una imagen digital para optimizarla, enfatizar cierta información o conseguir un efecto especial en ella, en la figura 10 se observa su aplicación. Ver la Figura 10.
Figura 10. Filtrado de zona de interés
ANTES DESPUES
2.4.2 Binarización. La binarización es una herramienta de procesamiento de imágenes en el cual se deja una imagen en dos colores: blanco y negro. Para realizar esto primero se debe pasar la imagen a escala de grises, después fijar un valor de umbral entre 0 y 255, y luego convertir todos los valores de la imagen superiores a este umbral a 255 y los menores a 0. (Rebaza, 2009).Esta técnica es
35
utilizada en diversas aplicaciones del campo industrial, y su principal objetivo radica en diferenciar la zona de interés del fondo de la imagen.
Para tener un concepto más amplio de este algoritmo se explica a continuación su funcionamiento: Cuando se aplica un umbral, T, la imagen en escala de grises, f(x, y), quedará binarizada; etiquetando con ‘1’ los píxeles correspondientes al objeto y con ‘0’ aquellos que son del fondo. Por ejemplo, si los objetos son claros respecto del fondo, se aplicará:
Ecuación 1
( ) { ( ) ( )
(1)
En el caso de que los objetos sean oscuros respecto del fondo, la asignación sería a la inversa:
Ecuación 2
( ) { ( ) ( )
(2)
El umbral puede depender de f(x,y), de alguna propiedad local del píxel, p(x,y), y hasta de su propia posición:
Ecuación 3 ( ( ) ( ) ) (3)
Si el umbral sólo depende de f(x,y) se dice que es un umbral global; en el caso de que además dependa de p(x,y), por ejemplo, el valor medio de los píxeles vecinos, el umbral es denominado local; y si depende también de la posición (x,y) del píxel, se denominará dinámico. Como se menciona en el documento de segmentación por umbralización (Iaci, 2005) esta técnica usa dos herramientas de la estadística: histogramas unidimensionales y la matriz de co-ocurrencia para su funcionamiento. La técnica más adecuada para este tipo de procesos es el método de Otsu, que es uno de los mejores métodos de selección de umbral para imágenes. A medida que el número de clases de una imagen aumenta, el método de Otsu necesita mucho más tiempo para seleccionar un umbral multinivel adecuado. Para determinar el umbral de una imagen eficientemente, se propone una varianza entre clases modificadas para este método. Este proceso tiene como punto importante el no requerir, supervisión humana o información previa de la imagen para su adecuado procesamiento. (Iaci, 2005)
36
En la figura 11 se puede ver la imagen con la zona de interes original y en la figura 12 esta la imagen resultante al aplicarse el metodo de otsu.
Figura 11. Imagen original. Region de Interés (ROI)
Figura 12. Imagen resultante al aplicar método de Otsu
2.4.3 Esqueletización.Seguido del proceso de umbralización se realiza la esqueletización, que es un proceso de quitar de un patrón la mayor cantidad de pixeles posibles sin afectar la forma general del patrón. En otras palabras, después que los pixeles hayan sido quitados, el patrón debe ser reconocido. El esqueleto obtenido debe tener las siguientes tres propiedades: (Carranza, 2006).
Tan delgado como sea posible.
37
Conectado.
Centrado Este proceso lo que pretende obtener de la imagen resultante del proceso de umbralización, es un patrón continuo que contenga la menor cantidad de datos posibles, pero que siga aun contenido un rastro del objeto original. Para ello operan de manera general varios algoritmos que eliminan algunos pixeles teniendo en cuenta los parámetros ya definidos. Hay que tener presente que el tiempo de procesamiento es elevado en muchas ocasiones, pero ello generalmente depende del tipo de algoritmo y del tamaño de la foto. Simplificar la forma de un objeto, o reducir la cantidad de datos que éste contiene siempre ha sido un tema de interés en el campo del procesamiento de imágenes. Para ello es necesario contar con técnicas adecuadas que nos faciliten el poder reducir los datos de los objetos. Unas de las técnicas más utilizadas para lograr este objetivo, es la esqueletización de las imágenes. Obtener el esqueleto de una imagen significará encontrar un patrón a partir de la forma del objeto, el cual contendrá menos datos pero conservará la continuidad y la menor cantidad de píxeles posible. El esqueletizar es un proceso iterativo y puede que demande mucho tiempo de procesamiento ya que generalmente todos los algoritmos, requieren muchos recorridos por toda la imagen. Existen a su vez algoritmos que provienen de estructuras matemáticas complejas y otros de cálculos lógicos; pero los cuales finalmente producen tener una nueva imagen con menos datos (Carranza, 2006). En la figura 13 se puede ver una captura de las venas dorsales de una persona determinada y en la figura14 podemos observar el resultado del proceso de esqueletización que se le aplicó a la imagen original.
38
Figura 13. Zona de interés
Figura 14. Imagen Resultante después de la esqueletización
Para este proyecto, el método de esqueletización que se utilizó fue el de Pavlidis que se basa en los pixeles esqueletales, es decir, aquellos pixeles que presentan alguna similitud con alguna de las plantillas presentadas en la figura 15. En las plantillas del inciso A de la figura 15 se muestra que al menos un pixel de los grupos etiquetados como A o B debe ser diferente de cero. Los pixeles marcados con el valor de 0 o 2 son pixeles esqueletales. En la plantilla del inciso B, al menos un pixel marcado debe ser diferente de cero. Si ambos pixeles etiquetados con C son diferentes de cero, entonces los pixeles etiquetados con C o A pueden tener cualquier valor. De otra manera, al menos un miembro de cada par marcados con B
39
y A deben ser diferentes de cero. (Alvarez Borja, 2008).
Figura 15.Plantilla de Similitud De Pavlidis
Fuente: (Alvarez Borja, 2008) 2.4.4 LHD (Line Segment Hausdorff Distance). Este método es utilizado para la distinción y reconocimiento de patrones, haciendo una comparación entre dos imágenes de interés, donde la primera hace referencia al usuario externo, es decir, a la imagen que será registrada por primera vez a la base de datos, y la segunda hace referencia a cada una de las imágenes que están almacenadas en la base de datos.
En la distancia Hausdorff del segmento de línea, los bordes de las imágenes tienen la ventaja de demandar menos espacio de almacenamiento y son menos sensibles a los cambios de la iluminación. Luego del adelgazamiento del mapa de borde, una línea poligonal en el proceso de ajuste se aplica para generar la representación de un segmento de línea de un objeto. Dicha representación utiliza puntos dominantes (por ejemplo, puntos dominantes de los segmentos de línea) en las curvas, reduce aún más el requisito de almacenamiento. El LHD es utilizado para la coincidencia entre objetos. En comparación a las aplicaciones convencionales de la distancia Hausdorff, LHD tiene una mejor fuerza distintiva porque puede hacer uso de atributos adicionales de orientación de línea y asociación de punto-línea (Gao & Leung, 2002).
La distancia de Hausdorff es una medida que compara dos conjuntos de puntos, y es utilizada como herramienta para determinar el grado de similitud entre dos imágenes, y puede ser definida como la máxima distancia desde un conjunto de puntos al punto más cercano de otro conjunto de puntos.(Goldenmap, 2005).
Ecuación 4
( ) { | } { ( )
( ) (4)
40
En la ecuación (4) X y Y dos subconjuntos compactos de un espacio métrico M. Entonces la distancia de Hausdorff dH(X, Y) es el mínimo número r tal que alguna r-vecindad cerrada de X contiene a Y y alguna r-vecindad cerrada de Y contiene a X. Es decir, si dist(x, y) denota la distancia en M. Esto quiere decir que
el método de Hausdorff mide la máxima distancia entre y , donde y , son la distancia de la imagen 1 y de la imagen 2, respectivamente, en donde se obtiene el valor superior ( ) y el valor inferior ( ), de cada distancia en las coordenadas de la imagen bidimensional tanto en x como en y.
Luego del adelgazamiento del mapa de borde (esqueletización), una línea poligonal en el proceso de ajuste se aplica para generar la representación de un segmento de línea de un objeto. Esta representación busca utilizar dos puntos dominantes dentro de las curvas de las imágenes almacenadas y logra buscar un porcentaje de coincidencia entre los objetos comparados
Huttenlocher argumentó que la distancia Hausdorff para verificación de imágenes binarias es más tolerante a perturbaciones en ubicaciones de puntos que las técnicas de correlación binaria ya que mide la proximidad en lugar de superposición exacta (Yongsheng.Gao& Maylor.K.H. Leung, 2004).
2.5 BASE DE DATOS DISPONIBLES. En un principio se buscó capturar imágenes propias. Después de no haber conseguido los resultados deseados por falta de recursos para adquirir una buena cámara que pudiera hacer una captura adecuada de las venas dorsales de la mano, se hizo uso de la base de datos Bosphorus, logrando de esta forma obtener los resultados esperados. Sin embargo se debe mencionar que hubo una dificultad adicional en la obtención de resultados experimentales, pues no existe aparte de esta, otra base de datos de libre acceso para poder realizar varios estudios y comparar los resultados obtenidos en cada una de ellas.
Se describe a continuación la base de datos utilizada, las características de las imágenes que se capturaron y la facilidad para hacer pruebas con cada método algorítmico que se empleó.
La base de datos utilizada fue la Bosphorus (Yuksel, Akarun, & Sankur, 2011), la cual recoge en condiciones reales las imágenes que se obtuvieron, y cada uno de estos sujetos fueron sometidos a diferentes procedimientos, para lograr comparar y corroborar que resultados se obtenían al aplicar estas condiciones. Estos procedimientos fueron:
Condiciones normales.
El usuario presiona una bola elástica.
41
El usuario coge con sus manos hielo.
El usuario permanece durante un tiempo con una bolsa en sus manos. Todos estos procedimientos se realizaron con el fin de obtener información certera de si se nota algún cambio evidente en las capturas de las imágenes obtenidas. En esta base de datos en general se tiene 1575 imágenes de la mano izquierda de 100 personas, distribuidas las imágenes en las diversas condiciones enumeradas en el párrafo anterior. Para esta base de datos se realizó una serie de procedimientos que tenía como finalidad la captura fiable del dorso de las venas de las manos. Para lograr que esta imagen quedara perfectamente clara se hizo uso de una cámara monocromática CCD NIR (WAT-902H2 ULTIMATE), (ver la figura16).Esta cámara tiene un lente de infrarrojo. El dorso de la mano es irradiada por dos fuentes de luz IR. Las imágenes tienen 300 × 240 píxeles de tamaño, con una resolución de escala de grises de 8-bit.
Figura 16. Cámara utilizada para la captura de las venas de Bosphorus Database
Fuente: (INTERTEST, 2011) Esta base de datos logró una captura muy favorable del dorso de las venas de las manos de cada una de las personas que hicieron parte de este proceso de identificación, logrando hacer confiable todo este proceso, es decir tomaron fotos de 100 personas después de un lapso de tiempo que variaba de 2 a 5 meses y comprobaron si se había producido alguna alteración de las venas durante este período.
Para lograr una buena y clara imagen, la captura de éstas se realizó en una habitación oscura para no tener una distorsión en las imágenes. La cámara es ajustada aproximadamente a 80 cm por encima de la mano. A los usuarios se le
42
pide poner sus manos sobre un fondo negro y con el dorso de la mano hacia la cámara (ver figura17).Las imágenes fueron digitalizadas en 640x480 píxeles con una resolución de escala de grises de 8-bit por píxel y después descentralizado, el tamaño de la imagen se redujo a 300x240 píxeles. Esta base de contiene 1575 imágenes de manos de 100 personas diferentes.
Figura 17. Posición de la cámara para captura de las venas de la mano
Fuente:(Aycan Yuksel, 2011) 2.6 CARACTERISTICAS DE DISPOSITIVOS UTILIZADOS EN PROYECTOS DE BIOMETRIA VASCULAR A continuación en la tabla 1 se presentan las principales características de los dispositivos utilizados en proyectos de biometría vascular.
Near infrared
Camera
Hand
Infrared Filter
Infrared Iluminator
Diffusing Paper
43
Tabla 1. Referencia de cámaras cotizadas
REFERENCIAS PRECIO ESPECIFICACIONES
EX-View.
Fuente:(Watec, 2008)
. $ 1.600.000
* Mejora la sensibilidad a la luz de su CCD por un factor de dos para la luz visible y un factor de cuatro para el infrarrojo cercano. *Tiene una unión P/N en todos sus fotodiodos para una mejor eficiencia en la conversión de fotones a electrones. *tiene un lente microscópico fabricado sobre él para capturar mejor y enfocar la luz sobre la unión semiconductora activa. Esto da como resultado una mejora en la sensibilidad a la luz de 2 veces para la luz visible y 4 veces para el infrarrojo cercano (800 ~ 900 nm)
ATIK 11000 COLOR. Fuente:(Mania.com, 2012)
$5.000.000
*Tiene 11 millones de píxeles. *Tiene un chip CCD, que con su tamaño permite obtener imágenes con una gran resolución. *Permite la captura de objetos de cielo profundo con un detalle sin precedentes.
CÁMARA UTILIZADA
SONY DSC-W110
Fuente:(Ciber-Shot, 2013)
$890.000
*Resolución de 7,2 mega-píxeles efectivos para obtener ampliaciones nítidas de tamaño hasta A3. *Salida HD compatible con el modo Photo TV HD. * Procesador BIONZ™ para una calidad de imagen mejorada y una respuesta rápida. * Alta sensibilidad ISO 3200 para imágenes tomadas a mano más nítidas en condiciones de poca iluminación
44
ESCÁNERES
HP ScanJet 5300C.
Fuente:(ebay, 2012)
$1.200.000
*Procesador de imágenes en color de 36 bits. *Velocidad: Menos de 50 sg para inserción de fotografía color de 10x15 cm en MS. *Múltiples formatos de archivos: Imágenes: PDF, TIFF, TIFF comprimido (TIF), Bitmap (BMP), PCX, JPEG, Flash pix (FPX), gif, PNG, Windows Meta File (WMF). *Resolución: Óptica 1200 ppp, Hardware 1200x2400 ppp y Mejorada 9600 ppp.
HP Scanjet 8300.
Fuente: (bd, 2012)
$4.200.000
*Permite tener una alta resolución en los gráficos y fotos capturadas. * tiene una profundidad de 48-bit y puede escanear imágenes y documentos de hasta 8,5 x 14 pulgadas. *Puede escanear una foto del correo electrónico en menos de 25 segundos
De la tabla anterior es importante mencionar en que proyectos han sido utilizados tanto los escáneres como las cámaras, con el propósito de conocer más detalladamente su aplicación y funcionamiento especifico.
La cámara EX-View es utilizada en el trabajo: “Hand vein biometry based on geometry and appearance methods”, realizado por Aycan Yuksel, Lale Akarun y Bulent Sankur. La cámara FLIR SC2500 es utilizada en el trabajo: “IDENTIFICACIÓN BIOMÉTRICA UTILIZANDO IMÁGENES INFRARROJAS DE LA RED VASCULAR DE LA CARA DORSAL DE LA MANO”, realizado por Oscar Fernando Motato Toro y Humberto Loaiza Correa.
45
El escáner HP ScanJet 5300C es utilizado en el trabajo: “SHAPE BASED HAND RECOGNITION”, realizado por Erdem Yörük, Ender Konukoglu, Bülent Sankur, Jérôme Darbon, el cual es aplicado en la forma y geometría de las manos.
El escáner HP ScanJet 8300 también puede ser utilizado para escanear el patrón venoso del dorso de la mano, por sus características como su resolución y 48 bit de profundidad y se presenta como una opción alternativa.
La cámara SONY DSC-W110 (Ciber-Shot, 2013), fue escogida, por la buena calidad en la toma de las imágenes.
46
3. IMPLEMENTACIÓN Para lograr una buena implementación del algoritmo de reconocimiento del patrón venoso de la parte dorsal de la mano, se han utilizado los métodos de normalización, umbralización y esqueletización. En la Figura 18 se presenta el diagrama de bloques general del sistema.
Figura 18. Diagrama de bloques general del sistema
En las secciones siguientes se describirán los pasos desarrollados para la implementación de cada uno de los bloques del sistema. 3.1 ADQUISICIÓN DE LAS IMÁGENES DE PRUEBA Para lograr la correcta validación de todos los algoritmos que se desarrollaron en este trabajo de grado, el primer paso a seguir es la obtención de un banco de imágenes lo suficientemente grande, variado y de buena calidad de las manos de
ADQUISICIÓN
CAPTURA PATRÓN VASCULAR DORSAL
EXTRACCIÓN REGIÓN DE INTERES (ROI)
INTERFAZ GRÁFICA
EJEMPLO REGISTRO VALIDACIÓN
ALGORITMOS DE PROCESAMIENTO
47
distintos individuos. Hay dos alternativas: intentar la generación de una base de datos propia o adquirir una que cumpliera con las condiciones antes descritas. 3.1.1Generación de una base de datos propia. Antes de explicar detalladamente los diferentes componentes que se probaron para lograr la captura de las venas dorsales de la mano de cada una de las personas con las que se hicieron los ensayos, es importante mencionar, que la estructura de las venas de las manos, tanto en su cara palmar como dorsal, es poco perceptible a simple vista y que su visibilidad varía significativamente dependiendo de los siguientes factores: temperatura y grasa subcutánea. Buscando que la adquisición, captura y extracción de la región de interés se logren, se implementó la parte del hardware de manera sencilla y con implementos adaptables y que se puedan conseguir en el mercado colombiano. Entre los implementos se usaron 3 iluminadores infrarrojos de 48 leds cada uno que son comerciables y trabajan con una potencia de 6 watts y que pueden ser fácilmente adquiridos, como los que se muestran en la figura 19.
Figura 19. Iluminador infrarrojo
Fuente: (Amazon, 2011) Estos iluminadores infrarrojos emiten un haz de luz invisible al ojo humano, que solo puede ser observado a través de un dispositivo de visión nocturna.
48
Adicionalmente se utilizó un filtro infrarrojo que trabaja en el rango de 760 nm1. (Montoto, 2005). El filtro se presenta en la figura 20.
Figura 20. Filtro Infrarrojo de 760 nm.
Fuente: (FILTERS, 2011) Este filtro permite ver más allá del espectro visible, permitiendo una percepción clara y confiable de las venas del dorso de la mano. Esta clase de filtros se clasifican de acuerdo a una longitud de onda que deja pasar solo la amplitud de luz que se quiere divisar y que se tiene, es decir, existen filtros con 720 nanómetros, 850 nanómetros, entre otros. (DigitaltoyShop, 2011)
Aparte de los dos componentes mencionados anteriormente se ha hecho uso de una cámara de fotografía convencional que es la SONY DSC-W110, ya que la calidad de imágenes gracias al lente HD permite observar el patrón vascular. Ver Figura 21.
Figura 21. Cámara Fotográfica
Fuente:(Ciber-Shot, 2013)
1 La radiación infrarroja emitida por un cualquier cuerpo que esté a una temperatura dada, tiene un
rango de 760nm a 1mm
49
3.1.1.1Montaje físico.Para este trabajo la plataforma de experimentación que se utilizó está compuesta por una cámara convencional de lente HD que debe estar siempre en modo blanco y negro, 3 iluminadores infrarrojos y un filtro óptico infrarrojo en el que su porcentaje de transmisión es significativo a partir de los 760 nm, ideal para bloquear la luz visible. Para lograr una adecuada captura del patrón venoso fue necesario implementar un diseño en madera que lograra posicionar adecuadamente los componentes necesarios a utilizar y poder facilitar la toma de las imágenes. Ver Figura 22.
Para poder obtener una buena captura de la zona de interés fue necesario ubicar la mano en la misma posición, es decir la palma de la mano sobre el iluminador infrarrojo horizontal, y que el filtro infrarrojo quede sobre el dorso de la mano para la captura de la imagen.
Figura 22. Estructura de experimentación.
50
3.1.1.2 Tamaño de las imágenes capturadas.Las imágenes que se capturaron con este equipo tenían una dimensiones de 3072 x 2304 (ver Figura 23) teniendo que ser disminuidas a un tamaño de 300 x 240, para poder ser comparadas con las imágenes que se habían obtenido en bases de datos públicas. Esta fue la misma razó por la que se cambió el formato de la imagen original, que inicialmente tenía un formato de jpg a bmp.
Figura 23. Imagen con dimensiones 300x 240.
La figura 23 hace referencia a una de las imágenes que se obtuvo con el montaje realizado con los tres iluminadores infrarrojos, el filtro y la cámara digital. 3.1.2 Adquisición de una base de datos de terceros. Tal como se explicó en la sección 2.5 del presente documento, existe una base de datos disponible para el uso libre en proyectos de investigación, llamada la base de datos BOSPHORUS (Yuksel, Akarun, & Sankur, 2011). Esta base de datos presenta suficientes imágenes para las validaciones, pero algunas de ellas no se encuentran alineadas, es decir que las imágenes no están colocadas en el mismo sitio con respecto al foco de la cámara. Por tanto debe efectuarse un proceso de normalización de las imágenes previa al uso en los algoritmos desarrollados, que se discutirá a continuación. 3.1.2.1 Normalización.Este proceso es importante para la etapa de verificación y de identificación, pues consiste en la ubicación o postura adecuada para cada imagen de las manos capturadas de cada uno de los usuarios. La tarea principal de este método, es la rotación de la mano para lograr la ubicación correcta con respecto a un eje de 90º. Estos pasos se representan en el diagrama de bloques en la figura 24.
51
Figura 24. Diagrama de flujo Normalización.
Inicio
Leer imagen I
Cambiar formato imagen uint8 a double
Detectar bordes usando filtro Sobel
Cambiar color imagen negando x
Definir ángulo theta para giro
Transformada de Radón para encontrar el vector de grados de cada
punto de la imagen
Encontrar máximo valor del vector
Esta la imagen en posición adecuada
Rotar imagen con -máximo -375
Esta la imagen girada hacia la
izquierda
Esta la imagen girada hacia la
derecha
Rotar imagen con máximo -345
Si
Si
No
No
Si
No
FIN
52
3.1.2.2 Operador Sobel. En este proceso se busca hacer el cálculo de la intensidad del pixel de cada una de las imágenes capturadas. Este proceso busca el mayor cambio en el sentido desde oscuro a claro, es decir, muestra el resultado en el que cada imagen cambia en un punto determinado, y que tan factible es que este represente un borde en la imagen. La función intensidad de la imagen es un punto vector bidimensional es decir sus componentes están dados por las primeras derivadas de las direcciones verticales y horizontales. Para cada punto de la imagen, el vector gradiente apunta en dirección del incremento máximo posible de la intensidad, y la magnitud del vector gradiente corresponde a la cantidad de cambio de la intensidad en esa dirección.
El operador Sobel se implementa en Matlab con la función edge, la cual permite encontrar el borde de una imagen mediante la utilización de la derivada de dicha imagen y retorna los bordes de la imagen donde el gradiente es el mayor. Este procedimiento es utilizado con el propósito de eliminar el fondo irregular de la imagen de la base de datos y permite definir con exactitud el borde de la mano, generando así una imagen con fondo blanco y con bordes definidos, como se muestra en la figura 25.
Figura 25.Aplicación del Operador Sobel
IMAGEN ORIGINAL OPERADOR SOBEL
Dentro de la función edge propia de Matlab, además del operador Sobel, también existen otros métodos como Prewitt, Roberts, Laplaciano, método del cruce por cero, y Canny, cada uno de estos genera una imagen resultante con los bordes definidos, en lo que se diferencian es en el filtro utilizado, y las derivadas que utilizan. Para este proyecto es utilizado el filtro Sobel, ya que el objetivo en este punto de la programación es definir los bordes para detectar el dedo pivote, que hace las veces de proyección máxima donde se encuentra el ángulo máximo de giro. Es importante mencionar que el método Sobel y el método Prewitt realizan la misma operación.
53
A continuación se presenta la aplicación de la función edge con el método Canny y el método Laplaciano, en la misma imagen original de la figura 25.
Figura 26. Aplicación del Operador Canny en una imagen de Base de Datos.
IMAGEN ORIGINAL OPERADOR CANNY
Figura 27. Aplicación del Operador Laplaciano en una imagen de Base de Datos
IMAGEN ORIGINAL OPERADOR LAPLACIANO
3.1.2.3 Transformada de Radón. La transformada de Radón es la proyección de la intensidad de la imagen a lo largo de una línea radial orientado en un ángulo específico. Esta transformada es la integral de una función de un conjunto de rectas en un espacio n-dimensional. Al conocer el borde de la imagen es posible aplicar el método de la transformada de radón, la cual aplica la integral de línea a cada uno de los puntos en la imagen, teniendo que especificar el rango de los ángulos a los que se les desea aplicar la transformada. Luego de esto, el método retorna el valor de la transformada de cada vector perteneciente a la imagen.
A cada vector se le determina su máximo valor y luego entre los máximos valores de cada uno de los vectores, se le encuentra el máximo. Al conocer el máximo
54
valor de toda la imagen se procede a rotar la imagen con la función imrotate, la cual posee como parámetros la imagen que se desea girar, y el ángulo que se desea girar la imagen.
El procedimiento para girar la imagen el ángulo deseado depende de para qué dirección se encuentra girada la mano.
Si la mano se encuentra girada hacia la derecha, el ángulo de giro se define como el máximo valor determinado por la transformada de radón menos 345.
Si la imagen se encuentra girada hacia la izquierda, el ángulo de giro está definido como el máximo ángulo dado por la transformada de radón con el signo menos, menos 375.
Los valores de 345 y 375 hacen referencia a un error del +4% sobre un giro de la imagen original de 360 grados a la imagen, que equivaldrá a restar y sumar un valor de 15 grados al valor máximo obtenido en el vector.
El signo positivo o negativo sobre el valor máximo depende del sentido hacia el cual este girada la mano, ya que si se encuentra girada hacia la izquierda el máximo valor será negativo, y este multiplicado por menos se convertirá en positivo, ya que de lo contrario el movimiento de la mano no será el correcto. A continuación se presenta la aplicación del giro de la mano, cuando esta se encuentra hacia la izquierda y hacia la derecha. En la figura 28 se observa la normalización de una imagen girada hacia la izquierda, y en la figura 29 se observa la normalización de una imagen girada hacia la derecha (Rebaza, blog Jorge Valverde Rebaza, 2011).
Figura 28. Normalización de una imagen girada hacia la izquierda
IMAGEN ORIGINAL IMAGEN NORMALIZADA
55
Figura 29. Normalización de una imagen girada hacia la derecha
IMAGEN ORIGINAL IMAGEN NORMALIZADA
3.1.3 Base de datos propia vs. base de datos adquirida.El motivo por el cual se tomó la decisión de utilizar las imágenes de la base de datos BOSPHORUS y no utilizar las imágenes obtenidas en el montaje, fue que las imágenes obtenidas en el montaje no poseen la suficiente iluminación y las venas del dorso de la mano no son lo suficientemente visibles para lograr una adecuada implementación de los algoritmos de biometría vascular, que si es lograda al utilizar las imágenes BOSPHORUS. Dentro de los problemas que se tuvieron con la captura de las venas de las manos tenemos las siguientes:
Diferencia entre el valor espectral del filtro utilizado que fue de 760 nm y el teórico era de 720 nm, lo cual pudo llevar a un margen de error en la calidad de la imagen capturada, se utilizó el de 760nm, ya que el de 720nm, no se pudo adquirir.
La dificultad de obtener unas imágenes de alta calidad, debido al no tener acceso a una cámara con las características necesarias mencionadas en la Tabla 1 que se requerían en este tipo de investigación.
Uno de los problemas más notorios, radica en la luminosidad del espacio utilizado para realizar las capturas de las venas dorsales de la mano, el cual fue el laboratorio de electrónica; pues se requiere TOTAL OSCURIDAD, para lograr unas imágenes nítidas.
Pueden evidenciarse los problemas al observar las figuras 30 y 31 que comparan las venas obtenidas al procesar las imágenes de la base de datos vs. las de la plataforma experimental
56
Figura 30. Resultados de las venas del dorso de la mano a partir de la BOSPHORUS DATABASE
Figura 31. Venas del dorso de la mano obtenidas con plataforma experimental
3.2 DESARROLLO DEL SOFTWARE DE OBTENCIÓN DEL PATRÓN VENOSO A continuación se realiza una descripción de cada algoritmo utilizado en el desarrollo del proyecto. El cual consta de cinco partes, estas son:
Ensanchamiento o mejoramiento de la imagen.
Marcador del patrón vascular.
Escala de grises.
Extracción patrón vascular.
Algoritmo de esqueletización Pavlidis.
57
En este proceso, para lograr la implementación del algoritmo para el reconocimiento del patrón venoso de la parte dorsal de la mano, fue necesario la utilización de diversas fuentes, incluidas en Toolbox de Matlab de procesamiento de imágenes para la etapa de umbralización e igualmente funciones generadas por los investigadores para las etapas de esqueletización, almacenamiento y búsqueda en la base de datos, la parte final se encarga de realizar una detección confiable de las venas que se están comparando.
3.2.1 Ensanchamiento o mejoramiento de la imagen. En esta etapa son aplicados una serie de filtros propios de la herramienta de procesamiento de imágenes de Matlab, con el fin de mejorar la calidad de la imagen y ensanchar las venas dorsales de la mano. En la figura 32 presenta el resultado de su implementación sobre un patrón de venas capturado y la figura 33 se presenta el diagrama de flujo de este proceso.
Figura 32. Mejoramiento de la imagen
ANTES DESPUÉS
Para tener un concepto más claro de cada proceso que se implementó se describe a continuado la función de cada bloque: a. Transformación monocroma: ( ) Crea una estructura de transformación utilizada en el mejoramiento de la calidad de la imagen, que es especificado por el tipo igual a srgb2lab, donde srgb2lab, convierte desde RGB a un espacio de color L*a*b*. El Toolbox de Matlab utiliza la abreviación lab para representar el espacio del color, que genera iluminación en la imagen, y se utiliza para unificar sus colores. b. Conversión de RGB a escala de grises: ( ) Convierte imágenes RGB a escala de grises, eliminando la información del matiz y la saturación, mientras retiene la iluminación.
58
Figura 33. Diagrama de flujo mejoramiento de la imagen
c. Histograma de ecualización: ( ) Transforma la intensidad de i1 (imagen 1), con una longitud igual a 256, en la imagen 2 (i2). 256 es el total de pixeles de la imagen, que va desde 0 hasta 255.
d. Filtro de mediana: ( [ ]) ( [ ])
Transformación monocroma
Guardar imagen
FIN
Leer imagen
INICIO
Conversión de RGB a escala de grises
Histograma de ecualización
Filtro de mediana
Gradiente numérico de la matriz
Convolución bidimensional
59
Ejecuta el filtro de mediana de la matriz i2 en dos dimensiones. Cada pixel de salida (e y f) contiene el valor de la mediana en la vecindad 5 por 5 alrededor del correspondiente pixel en la imagen de la salida. Medfilt2 rellena la imagen con ceros en los bordes, así que los valores medianos para los puntos dentro de [5 5]/2 de los bordes pueden aparecer distorsionados. e. Gradiente numérico de la matriz: [ ] ( ) Retorna el gradiente numérico de la matriz smth propia de la función, donde smth se refiere a la imagen filtrada, gradx corresponde dsmth/dx y grady corresponde a dsmth/dy, donde dsmth/dx y dsmth/dy, hacen referencia a las derivadas de la imagen smth en las direcciones x y y respectivamente. Este método es utilizado para encontrar la derivada de la imagen. f. Convolución bidimensional: ( ) Ejecuta la Convolución 2-D de la matriz smth con m1, m2, m3, m4, m5, donde m1 hasta m5 hacen referencia a matrices que han sido definidas previamente, como filtros internos de la función de Matlab.
3.2.2 Marcador del patrón vascular.En esta parte se realiza la reducción de la intensidad de la imagen a la mitad y se toman solo dos dimensiones de la misma, porque el sistema solo admite dos dimensiones de la imagen. En la figura 34 se presenta el diagrama de flujo de esta función.
Figura 34. Diagrama de flujo del Marcador del patrón vascular
INICIO
Cambiar formato imagen a double
Guardar imagen
Leer imagen
Reducción de intensidad a la mitad
Formato de double a uint8
Elegir dos dimensiones de la imagen
60
Esta función se utiliza ya que los algoritmos siguientes solo reciben imágenes en dos dimensiones, y no en tres dimensiones como lo son originalmente.
a. Cambiar formato imagen a double: ( )
Convierte la precisión de la imagen a double, con el fin de poder aplicar los algoritmos, ya que en formato uint8, no es reconocido.
b. Reducción de intensidad:
Reducir intensidad de imagen a la mitad
c. Formato de double a uint8: ( )
Se convierte la imagen a entero sin signo de 8 bits, con el propósito de regresar la imagen a su formato original, para que pueda ser utilizada en el siguiente algoritmo.
d. Escoger 2 dimensiones de la imagen: ( )
El sistema sólo permite 2 dimensiones de la imagen para su posterior procesamiento, es decir solo toma dos colores RG, en lugar de RGB.
La figura 35 presenta su implementación sobre una imagen de la base de datos.
Figura 35.Imagen del marcador del patrón venoso
ANTES DESPUÉS
61
3.2.3 Escala de grises. En esta parte se realiza el filtrado de la imagen, a través de una función del Toolbox de procesamiento de imágenes de Matlab denominada fspecial, donde se utiliza el filtro log, que es un filtro Laplaciano, para eliminar el ruido presente en la imagen, que calcula la segunda derivada en zonas que no poseen continuidad dentro de la imagen. Luego se realiza la convolución entre el filtro resultante y la imagen ensanchada del procedimiento anterior. Su diagrama de flujo es el que aparece en la figura 36.
Figura 36. Diagrama de flujo escala de grises
a. Instanciar filtro espacial con valor igual a log: ( )
Se determina especial con valor igual a log, donde el filtro es bidimensional, y log hace referencia al Laplaciano del filtro gaussiano, predeterminado por el Toolbox de procesamiento de imágenes de Matlab.
b. Convolución entre imagen y H: ( )
Ejecuta la convolución 2-D de la matriz x con el filtro H.
La figura 37 presenta su implementación sobre una imagen de la base de datos.
62
Figura 37.Imagen de escala de grises.
ANTES DESPUÉS
La función predeterminada de Matlab utiliza nueve tipos de filtros los cuales son: average, disk, gaussian, laplacian, log, motion, prewitt, sobel, unsharp. A continuación se presenta el resultado correspondiente a cada uno de los tipos de filtros, al aplicarse en una imagen de la base de datos. Ver figura38.
Figura 38. Aplicación de los diferentes filtros FSPECIAL propios de Matlab
TIPOS DE FILTROS ESPECIALES DE MATLAB
AVERAGE
DISK
GAUSSIAN
63
TIPOS DE FILTROS ESPECIALES DE MATLAB
LAPLACIAN
LOG
MOTION
PREWITT
SOBEL
UNSHARP
Se puede concluir de la figura 38, que el filtro que más información importante de la imagen presenta es el log, ya que el resto genera imágenes oscuras y con poca información. 3.2.4 Extracción patrón vascular. En esta parte se realiza la umbralización de la imagen utilizando el método de Otsu, donde se define un valor de umbral igual
64
0.09, para que dentro de una función cíclica se recorra la imagen y se genere una nueva donde los pixeles que estén por debajo de 0.09 sean iguales a 0 (negro) y los que se encuentren por encime sean iguales a 255(blanco). El valor de 0,09 se obtuvo luego de realizar pruebas con valores de umbral diferentes, donde 0,09 genera la imagen con mejor resultado. En la Figura 39 se presenta su correspondiente diagrama de flujo.
Figura 39.Diagrama de flujo extracción patrón vascular
65
Se utilizó un umbral de 0.09, porque en la imagen, al poseer valores pequeños en su matriz, cuando se aplica un umbral de valor mayor como 30 o 40 según otras aplicaciones consultadas (Bhattacharyya, Das, Kim, & Bandyopadhyay, 2009) genera una imagen con características no deseadas como se ve en la figura 40. No fue 1 o 0,08, ya que con estos valores la imagen tiene ruido. La definición del umbral deseado está dada entonces, por las pruebas realizadas con el algoritmo de umbralización, al observar los efectos de los diferentes valores de umbral. La figura 40 presenta la aplicación de diferentes valores de umbral durante la etapa de extracción del patrón vascular, donde en la parte izquierda se presenta una imagen que posee un patrón vascular visible de la base de datos realizada con los elementos de trabajo (filtro infrarrojo, iluminadores infrarrojos y cámara digital), y en la parte derecha se presenta una imagen de la base de datos BOSPHORUS utilizada en la implementación de la interfaz gráfica de usuario.
En la siguiente tabla, al aplicar los umbrales de 0,09, 0,1 y 0,8, sobre la imagen capturada, la imagen resultante es completamente blanca.
66
Figura 40. Imágenes con su respectivo umbral.
IMÁGENES CAPTURADAS IMÁGENES BASE DE DATOS BOSPHORUS
IMÁGENES ORIGINALES
UMBRAL DE 0,09(UMBRAL SELECCIONADO)
UMBRAL DE 0,1
UMBRAL DE 0,8
67
UMBRAL DE 1
UMBRAL DE 2
UMBRAL DE 5
UMBRAL DE 10
UMBRAL DE 30
68
Para el método de umbralización se hizo necesario hacer el proceso de filtración antes de aplicar este método denominado el Método de Otsu y así poder lograr separar los objetos de la imagen que nos interesa del resto La figura 41 presenta su implementación sobre una imagen de la base de datos.
Figura 41. Imagen de extracción Patrón vascular
ANTES DESPUES
UMBRAL DE 40
UMBRAL DE 50
69
3.2.5 Algoritmo de Esqueletización Pavlidis. Después de filtrar la imagen y de aplicar el método de Otsu se procede con la esqueletización. Con esta etapa se pretende obtener un patrón continuo que contenga la menor cantidad de datos posibles, pero siga conteniendo el rastro del objeto original. Se eliminan o remueven todos los puntos del contorno de la imagen, excepto aquellos puntos que pertenezcan al esqueleto y que den información importante en la medición de distancias entre segmentos de líneas. El proceso se repite y se verifica el valor de los pixeles vecinos hasta que la imagen sea esqueletizada.
70
En la figura 42 se presenta el diagrama de flujo de este proceso.
Figura 42. Diagrama de flujo Esqueletización Pavlidis
NO Si
Si
C=Contador IT=Matriz de Iteración M=Matriz (Imagen a esqueletizar)
INICIO
C = 0
Buscar un M que satisfaga la condición de la primera subiteración. C = C+1, si M (i, j) = 1
IT = IT - M
C= 0
C = 0
Buscar un M que satisfaga la condición de la segunda subiteración. C = C +1, si M (i, j) = 1
IT = IT – M
C = 0
PARAR
NO
71
La figura 43 presenta su implementación sobre una imagen de la base de datos.
Figura 43. Imagen de Esqueletización de Pavlidis.
ANTES DESPUÉS
3.2.6 LHD. En esta última etapa de procesamiento, el objetivo es obtener un indicador de autenticidad para el reconocimiento automático de personas. La distancia Hausdorff es una medida natural para comparar la similitud de los conjuntos y formas de una imagen de interés y se encarga de medir los patrones de línea. En la investigación y desarrollo del proyecto no se encontró en ninguno de los documentos obtenidos una información clara y precisa de que rango manejaba una imagen idéntica, parecida y una imagen totalmente diferente. Por tal motivo se hizo una comparación con las imágenes que se tenían de la base de datos Bosphorus y se obtuvieron unos rangos que se utilizaron en primera instancia como rangos de comparación e identificación entre las imágenes procesadas. Se debe aclarar que como el formato de las imágenes es uint8, y por tanto es necesario pasar de este formato al formato double, para poder aplicar algunos algoritmos de verificación. En la tabla2 se observan los resultados de algunas pruebas realizadas con 3 algoritmos de validación: Hausdorff, HausdorffDist y ModhausdorffDist. (Bhattacharyya, Das, Kim, & Bandyopadhyay, Vascular Pattern Analysis towards Pervasive Palm Vein Authentication, 2009) (Gao & Leung, Line segment Hausdorff distance on face matching, 2000) (Yörük, Konuko˘glu, Sankur, Member, & Darbon, 2006). Se presentan los resultados obtenidos al probar los algoritmos con las imágenes referidas en la columna 1: P2(1)= imagen 1 de la persona 2 y P2(2)= imagen 2 de persona 2, de la misma forma son las demás imágenes, utilizando el método hausdorff, los métodos de hasdorffDist y Modhausdorffdist.
72
Tabla 2. Rangos De Hausdorff.
Imágenes Comparadas
Hausdorff Hausdorffdist Modhausdorffdist
P1(1) – P1(2) 883,3459 883,3459 549,4975
P1(1) – P1(3) 919,4156 919,4156 527,5982
P1(1) – P1(4) 721,2489 721,2489 321,0638
P2(1) – P2(2) 919,4156 919,4156 652,1481
P2(1) – P2(3) 919,4156 919,4156 646,6973
P2(1) – P2(4) 883,3459 883,3459 644,2161
P3(1) – P3(2) 845,7393 845,7393 531,8663
P3(1) – P3(3) 845,7393 845,7393 524,8276
P3(1) – P3(4) 845,7393 845,7393 524,8276
P4(1) – P4(2) 806,3808 806,3808 547,8319
P4(1) – P4(3) 845,7393 845,7393 584,8282
P4(1) – P4(5) 845,7393 845,7393 614,5059
P4(1) – P4(4) 845,7393 845,7393 565,5966
P5(1) – P5(2) 806,3808 806,3808 588,7389
P5(1) – P5(3) 806,3808 806,3808 573,8165
P5(1) – P5(4) 845,7393 845,7393 630,5792
P5(1) – P5(5) 806,3808 806,3808 573,8165
73
Imágenes Comparadas
Hausdorff Hausdorffdist Modhausdorffdist
P5(2) – P5(4) 845,7393 845,7393 607,3553
P6(1) – P6(2) 883,3459 883,3459 727,6996
P6(1) – P6(3) 919,4156 919,4156 738,6317
P6(2) – P6(3) 954,1226 954,1226 729,9584
P15(1) – P15(2) 845,7393 845,7393 588,0294
P15(2) – P15(3) 919,4156 919,4156 740,9700
P17(1) – P15(1) 845,7393 845,7393
699,9719
P17(2)– P17(1) 765 765 589,4450
P19(1) – P20(1) 806,3808 806,3808 608,6650
P19(1) – P20(2) 845,7393 845,7393 609,8989
P20(2) – P20(5) 806,3808 806,3808 595,5987
P20(1) – P1(1) 919,4156 919,4156 608,8563
P15(1) – P1(1) 883,3459 883,3459 684,6613
P20(2) – P15(1) 919,4156 919,4156 718,2447
P2(1) – P20(2) 919,4156 919,4156 659,7613
P3(3) – P20(1) 806,3808 806,3808 571,2495
P3(4) – P20(1) 806,3808 806,3808 571,2495
74
En la tabla 2 se muestran los resultados de la aplicación de los tres métodos de validación ya explicados. El rango de Hausdorff permite una confiable identificación de los usuarios registrados que va en los rangos desde 0 hasta 500, 600 y 700.
En el algoritmo ModhausdorffDist, se observa que los valores obtenidos, pueden ser utilizados dentro de un rango, ya que varían entre 500 y 900, sin embargo, ya que este solo procesa imágenes de tipo double, es necesario realizar cambio de formato de uint8 a double, generando un retardo en el tiempo de validación, caso contrario al método Hausdorff, ya que al igual que el método Hausdorffdist procesa, imágenes de tipo double o de tipo uint8.
Se decidió usar el método de validación Hausdorff ya que al observar diversos resultados, se reconoce el rango ya mencionado y aunque existe el riesgo de un falso rechazo, este se enmarca dentro de un error que se puede mejorar cambiando las condiciones de captura de imágenes, como la cámara y el lugar escogido.
Por ejemplo P1(1) y P1(2), son dos imágenes del mismo usuario, con valor de 883,3459, que está dentro del rango, y como resultado indica la presencia de dicho usuario dentro de la base de datos. Por el contrario la validación de P6(1) y P6(3), da como valor 954,1226, cuyo valor no está dentro del rango, y aunque sean dos imágenes del mismo usuario, el sistema no lo detectará.
El código implementado inicialmente verifica que las dos imágenes tengan el mismo tamaño, y luego recorre las dos matrices o imágenes hasta encontrar los puntos dominantes de ambas imágenes (tal y como se describe en la sección 3.4.4) y se encarga de medir la distancia entre ellos. Si la distancia da un valor igual a cero, se dice que las imágenes comparadas son iguales; si el valor es diferente de 0, es importante observar si este está dentro del rango de validación.
La figura 44 presenta el Diagrama de flujo del algoritmo LHD.
75
Figura 44.Diagrama de flujo algoritmo LHD
Si NO
Encontrar raíz cuadrada a la distancia mínima entre M y
N,
Dist = max(dist)
Dist= [0]
Dist = max (distancia (A, B), distancia (B, A))
Función [Dist] = distancia(A, B)
Definir tamaños de M, N
Size(A,2)=~
Size(B,2)
Leer imagen A
Leer imagen B
La dimensionalidad de las imágenes debe ser igual
Hausdorff
FIN
76
3.2.7 Registro y Validación de los Usuarios.Entre los aspectos importantes cabe destacar la creación de un archivo de texto destinado para dar inicio al conteo de usuarios que son registrados en la base de datos una vez se tenga la región de interés, este archivo fue llamado numusuarios.dat. También es importante destacar que cada imagen que va siendo registrada se le va generando su nombre según el conteo presente en el archivo numusuarios.dat, estas imágenes se van almacenando en otro archivo denominado usuariosregistrados.dat, donde lo que se almacena es el número de usuario y el número de la imagen ingresada. A continuación se presenta el diagrama de flujo referente al registro de usuarios nuevos en la base de datos. Ver figura45.
Figura 45.Diagrama de flujo registro de usuarios.
NO
REGISTRAR
Inicializa handles.contador en 1
Elegir foto
Procesa la foto con los algoritmos
Lee numusuario.dat
Lee handles.contador
Construye el nombre de la imagen y graba
Almacena el nombre en un archivo .dat
Pregunta si se desea ingresar otra imagen del
mismo usuario
Incrementar numusuario
Handles.contador+1
FIN
Si
NO
77
En el punto de la validación de usuarios también se realiza la creación de un archivo donde se van almacenando, los nombres de las imágenes ya esqueletizadas de cada usuario registrado y presente en el archivo usuariosregistrados.dat, donde se realiza la verificación con el método LHD, entre la imagen del usuario externo y cada una de las imágenes presentes en la base de datos. En la Figura 48 se presenta el diagrama de flujo referente a la validación de usuarios.
Otro aspecto a destacar es el tiempo de procesamiento de cada algoritmo, con el fin de dar a conocer el tiempo que transcurre cada vez que se aplica un algoritmo, esto se puede evidenciar en la parte del ejemplo donde se observa paso a paso como se llega desde una imagen original a una imagen esqueletizada. Esto también se puede ver en parte de registro de personas, pero no visto paso a paso sino se observa el tiempo que tarda en procesar la imagen a través de todos los algoritmos hasta generar la imagen a almacenar dentro de la base de datos.
En la figura46, se puede notar que el primer dato, es decir, el valor 0, hace referencia a un contador que va incrementando a medida que se hace el barrido adecuado en cada una de las imágenes almacenadas; los siguientes números hacen referencia al usuario que se le realiza la captura y a la imagen correspondiente asociada a dicha captura.
Figura 46.Archivo txt de contador de imágenes por usuario.
Contador usuario 3 Imagen 3 de usuario 3. Usuario 5 Im.7 de usuario 5
La figura 47 hace referencia al archivo txt contador de usuarios.
Figura 47.Archivo txt contador de usuarios
78
El siguiente diagrama de bloques hace referencia a los pasos representativos de la validación de usuarios. (Ver figura 48)
Figura 48.Diagrama de flujo validación de usuarios
Elegir foto
Procesa la foto con los algoritmos
Lee x=usuariosregistrados.dat x=usuariosregistrados.datx=usuariosr
Recorrer la matriz x
Crear el nombre en y
Validación exitosa e indicar el nombre de
usuario
Leer imagen y
Validación no exitosa
Leer el tamaño de x
Calcular LHD entre la imagen de entrada y cada imagen en x
VALIDACION
H.d > = 0 y < = 700
NO
SI
FIN
79
Donde H.d hace referencia a la variable Handles.distancias utilizada en Matlab para almacenar la distancia Hausdorff.
Como se muestra figura 49, el rango utilizado está comprendido entre los valores que van desde 500 hasta 1000, de 100 de 100, donde 500, 600 y 700, han sido los más adecuados según los usuarios detectados en dichas pruebas eso si con 5 imágenes registradas por usuario, este rango de convergencia se obtuvo, después de hacer varios ensayos con la base de datos Bosphorus y tomando limites diferentes en el rango determinado; hasta obtener valores que se ajustaran correctamente a los datos que emite el método de procesamiento LHD.
En la figura 49 se puede evidenciar que cuando el rango está comprendido entre los límites ya mencionados anteriormente la validación es exitosa.
Figura 49. Validación usuario 3 con rango de 900
Como se puede ver en la figura 50, la validación de los usuarios por fuera del rango ya determinado (0y 900), arroja un mensaje de No registrado el usuario determinado cuando se sobrepasa los límites acordados, es decir así la imagen este dentro de la base de datos, pero el rango este por fuera de los limites es decir, valores mayores de 900 la validación del usuario no será exitosa.
80
Figura 50. Validación de usuario 1 con rango por fuera del límite
3.3 INTERFAZ GRÁFICA Para la implementación de esta interfaz se tuvo en cuenta cada uno de los métodos que se hizo necesario utilizar para lograr la obtención de las venas de la imagen o zona de interés, así como el proceso de captura y el de identificación.
A través de esta interfaz, el administrador del sistema puede operar de una forma más confiable, ya que se tiene 2 procesos fundamentales a verificar; el primer proceso consiste en ingresar un nuevo usuario a la base de datos, y el modo de validación que como su mismo nombre lo indica consiste en verificar la identidad de un usuario previamente registrado.
En la figura 51 se muestra el esquema de la interfaz que se implementó para este proyecto.
81
Figura 51. Imagen inicio de la interfaz
En la figura 52 se muestra la interfaz que ve el usuario cuando quiere visualizar el ejemplo del proceso, desde la captura de la imagen de su mano y el proceso completo que involucra el registro o validación de la misma para lograr un resultado eficiente. Igualmente se puede escoger que clase de proceso o de interés tiene el usuario, es decir, si se desea registrar o en su defecto comprobar su validación, después de estar registrado dentro de la base de datos.
Adicionalmente es posible conocer los tiempos de retardo de cada método aplicado en la interfaz gráfica.
82
Figura 52. Pantalla de ejemplo
La tarea de los botones de la interfaz, se describe a continuación.
Imagen Original. Esta primera etapa consiste en cargar la imagen que viene directamente de la base de datos o en su defecto de la cámara fotográfica que se utiliza para hacer la captura de la zona de interés, utilizando para ello las funciones del ToolBox de adquisición de imágenes. Figura 53 a.
Venas Ensanchadas. En esta parte del software se muestra la imagen que se obtiene de aplicar el método de filtración, que como se ha mencionado anteriormente consiste en separar los objetos de una imagen que nos interesen del resto y en hacer la zona de interés más resaltada, en el caso de las venas del dorso de la mano se ensanchan para facilitar el resto de procesos y lograr una imagen esqueletizada confiable. Figura 53 b.
Imagen En Escala De Grises. Esta parte del proceso se logra en el proceso de umbralización que consiste en convertir una imagen en escala de grises a una nueva con solo dos niveles, de manera que los objetos queden separados del fondo. Figura 53c.
Imagen Esqueletizada. Es la imagen que se obtiene del proceso de esqueletización, que busca lograr que la zona de interés que se está procesando sea Simplificada, es decir reducir la cantidad de datos que este contiene dejando solamente la parte fundamental y más notoria de la imagen. Ver Figura 53d.
83
Figura 53. Proceso de métodos aplicados a zona de interés
Si el usuario quiere ingresar una imagen a la base de datos, debe seleccionar la opción registro. Ver figura 54. El algoritmo va ejecutando la función para realizar el procesamiento de la imagen y la almacena en el directorio definido y al finalizar le indica al usuario que la imagen ha sido ingresada a la base de datos satisfactoriamente.
Figura 54. Interfaz de registro
84
Si el usuario quiere validar si una imagen se encuentra dentro de la base de datos, debe seleccionar la opción validación. Tras lo cual se carga la ventana validación que puede observarse en la figura 55. El usuario debe seleccionar el botón “Cargar Imagen” y comenzará el proceso de validación.
Figura 55. Interfaz de Validación
Una vez procesada la imagen cambia la interfaz como puede verse en la Figura 56.
Figura 56. Proceso de validación de la imagen de usuario1
85
Luego, después de algunos segundos, el software realiza la comparación por el método de LHD y aparecerá el mensaje de verificación o no exitosa. Ver figuras 57 y 58.
Figura 57. Mensaje de Verificación exitosa de usuario 1
Figura 58. Mensaje de Verificación no exitosa de usuario
86
4. RESULTADOS De las pruebas realizadas, aplicando un umbral que varía con intervalos de 100, desde un umbral mínimo de 500 hasta un umbral máximo de 1000, y realizando el registro de 1, 2, 3, 4 y 5 imágenes por cada usuario, y realizando por cada valor de umbral, más cada imagen registrada y cada una de las imágenes utilizadas para la validación, los resultados obtenidos, se pueden evidenciar a partir de la sección 4.1
Primero se deben especificar las convenciones usadas para la presentación de los resultados:
Es importante mencionar que por cada combinación se ha asignado un número del 1 al 6 para indicar los valores de umbral desde 500 hasta 1000, y de 1 a 5 para indicar por cada prueba cuantas imágenes están registradas y cuantas imágenes serán utilizadas para el proceso de validación. Los umbrales quedaron acomodados así: 1. 500 2. 600 3. 700 4. 800 5. 900 6. 1000
Como el número de imágenes por individuo ha sido 6, siempre el total de imágenes registradas, más las imágenes usadas para la validación debe ser igual a 6, donde han quedado acomodados de la siguiente manera:
1. 5 imágenes registradas y 1 para validación 2. 4 imágenes registradas y 2 para validación 3. 3 imágenes registradas y 3 para validación 4. 2 imágenes registradas y 4 para validación 5. 1 imagen registrada y 5 para validación
De lo anterior, por ejemplo si se ha utilizado un umbral de 500 y 4 imágenes han sido registradas y 2 han sido utilizadas para su validación, en este caso la pareja de números queda 1.2, donde 1 indica umbral de 500 y 2 indica 4 imágenes registradas y 2 imágenes para validación.
Se indicará por cada combinación, número de usuarios detectados, número de usuarios con falsa aceptación, número de usuarios con falso rechazo. Es
87
importante aclarar que los usuarios no detectados han sido tomados como falso rechazo, ya que se está rechazando a un usuario ya registrado, y que la falsa aceptación hace referencia a la validación de un usuario donde se indica por el sistema de reconocimiento que es otro usuario, pero no el que se está queriendo validar.
Todas las pruebas han sido realizadas con 20 usuarios, cada uno con 6 imágenes, y que cada prueba se ha hecho con el fin de siempre sumen 6 imágenes por cada individuo.
Se indicarán también los usuarios que son detectados exitosamente o verdaderos positivos, los que son tomados como falsa aceptación y los que son tomados como falso rechazo, y a su vez se indicará a que usuario hace referencia cuando se toma como falsa aceptación.
Las letras A, B, B1, hasta E5, usadas en las secciones siguientes serán una referencia en las gráficas obtenidas con cada una de las pruebas realizadas.
El mejor resultado se presenta cuando el umbral es 500, 600 o 700 y 5 imágenes por usuario registradas y 1 imagen para su validación, como se puede evidenciar a continuación:
4.1 CINCO IMÁGENES REGISTRADAS Y UNA IMAGEN PARA VALIDACION Se hará la prueba usando la imagen número seis para el reconocimiento A.
1.1: 10 aceptados, 0 falsa aceptación, 10 falso rechazo. 1.2: 10 aceptados, 0 falsa aceptación, 10 falso rechazo. 1.3: 10 aceptados, 0 falsa aceptación, 10 falso rechazo. 1.4: 11 aceptados, 3 falsa aceptación, 6 falso rechazo. 1.5: 11 aceptados, 8 falsa aceptación, 1 falso rechazo. 1.6: 11 aceptados, 9 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 5
1.1 Aceptados (10)= U3, U5, U7, U9, U10, U13, U16, U18, U19, U20 Falsa aceptación (0)=0 Falso rechazo (10)= U1, U2, U4, U6, U8, U11, U12, U14, U15, U17
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 5
1.2 Aceptados (10)= U3, U5, U7, U9, U10, U13, U16, U18, U19, U20
88
Falsa aceptación (0)=0 Falso rechazo (10)= U1, U2, U4, U6, U8, U11, U12, U14, U15, U17
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 5
1.3 Aceptados (10)= U3, U5, U7, U9, U10, U13, U16, U18, U19, U20 Falsa aceptación (0)=0 Falso rechazo (10)= U1, U2, U4, U6, U8, U11, U12, U14, U15, U17
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 5
1.4 Aceptados (11)= U3, U4, U5, U7, U9, U10, U13, U16, U18, U19,U20 Falsa aceptación (3)= U8 a U7, U11 a U5, U17 a U7 Falso rechazo (10)= U1, U2, U6, U12, U14, U15
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 5
1.5 Aceptados (11)= U3, U4, U5, U7, U9, U10, U13, U16, U18, U19,U20 Falsa aceptación (8)= U2 a U5, U6 a U7, U8 a U7, U11 a U5, U12 a u2, U14 a U5, U15 a U7, U17 a U7 Falso rechazo (1)= U1
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 5
1.6 Aceptados (11)= U3, U4, U5, U7, U9, U10, U13, U16, U18, U19,U20 Falsa aceptación (9)= U1 a U2, U2 a U5, U6 a U7, U8 a U7, U11 a U5, U12 a u2, U14 a U5, U15 a U7, U17 a U7 Falso rechazo (0)= 0
4.2 CUATRO IMÁGENES REGISTRADAS Y DOS IMÁGENES PARA VALIDACION 4.2.1 Reconocimiento con imagen número cinco B.
2.1: 3 aceptados, 0 falsa aceptación, 17 falso rechazo. 2.2: 3 aceptados, 0 falsa aceptación, 17 falso rechazo. 2.3: 5 aceptados, 1 falsa aceptación, 14 falso rechazo. 2.4: 6 aceptados, 11 falsa aceptación, 3 falso rechazo. 2.5: 6 aceptados, 14 falsa aceptación, 0 falso rechazo. 2.6: 6 aceptados, 14 falsa aceptación, 0 falso rechazo.
89
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.1 Aceptados (3)= U3, U5, U9 Falsa aceptación (0)=0 Falso rechazo (17)= U1, U2, U4, U6, U7, U8, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.2 Aceptados (3)= U3, U5, U9 Falsa aceptación (0)=0 Falso rechazo (17)= U1, U2, U4, U6, U7, U8, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.3 Aceptados (5)= U1,U3, U5, U7, U9 Falsa aceptación (1)= U11 a U4 Falso rechazo (13)= U2, U4, U6, U10, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.4 Aceptados (6)= U1,U3, U5, U7, U9,U14 Falsa aceptación (11)= U2 a u11, U4 a U11, U8 a U17, U10 a U7, U11 a U4, U12 a U10, U13 a U7, U16 a U10, U17 a U5, U19 a U3, U20 a U7 Falso rechazo (3)= U6, U15, U18
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.5 Aceptados (6)= U1,U3, U5, U7, U9,U14 Falsa aceptación (14)= U2 a U11, U4 a U11, U6 a U2, U8 a U17, U10 a U7, U11 a U4, U12 a U10, U13 a U7, U15 a U5, U16 a U10, U17 a U5, U18 a U3, U19 a U3, U20 a U7 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.6 Aceptados (6)= U1,U3, U5, U7, U9,U14
90
Falsa aceptación (9)= U2 a U11, U4 a U11, U6 a U2, U8 a U17, U10 a U7, U11 a U4, U12 a U10, U13 a U7, U15 a U5, U16 a U10, U17 a U5, U18 a U3, U19 a U3, U20 a U7 Falso rechazo (0)= 0
4.2.2 Reconocimiento con imagen número seis B.1
2.1: 8 aceptados, 0 falsa aceptación, 12 falso rechazo. 2.2: 8 aceptados, 0 falsa aceptación, 12 falso rechazo. 2.3: 8 aceptados, 0 falsa aceptación, 12 falso rechazo. 2.4: 9 aceptados, 4 falsa aceptación, 7 falso rechazo. 2.5: 9 aceptados, 10 falsa aceptación, 1 falso rechazo. 2.6: 9 aceptados, 11 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.1 Aceptados (8)= U3, U5, U7, U9, U10, U13, U19, U20 Falsa aceptación (0)=0 Falso rechazo (12)= U1, U2, U4, U6, U8, U11, U12, U14, U15, U16, U17, U18
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.2 Aceptados (8)= U3, U5, U7, U9, U10, U13, U19, U20 Falsa aceptación (0)=0 Falso rechazo (12)= U1, U2, U4, U6, U8, U11, U12, U14, U15, U16, U17, U18
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.3 Aceptados (8)= U3, U5, U7, U9, U10, U13, U19, U20 Falsa aceptación (0)=0 Falso rechazo (12)= U1, U2, U4, U6, U8, U11, U12, U14, U15, U16, U17, U18
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.4 Aceptados (9)= U3, U4, U5, U7, U9, U10, U13,U19,U20 Falsa aceptación (4)= U8 a U7, U11 a U5, U16 a U10, U17 a U7 Falso rechazo (7)= U1, U2, U6, U12, U14, U15, U18
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 4
91
2.5 Aceptados (9)= U3, U4, U5, U7, U9, U10, U13,U19,U20 Falsa aceptación (10)= U2 a U5, U6 a U8, U8 a U7, U11 a U5, U12 a U2, U14 a U5, U15 a U7, U16 a U10, U17 a U7, U18 a U3 Falso rechazo (1)= U1
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 4
2.6 Aceptados (9)= U3, U4, U5, U7, U9, U10, U13, U19,U20 Falsa aceptación (11)= U1 a U6, U2 a U5, U6 a U8, U8 a U7, U11 a U5, U12 a U2, U14 a U5, U15 a U7, U16 a U10, U17 a U7, U18 a U3 Falso rechazo (0)= 0
4.3 TRES IMÁGENES REGISTRADAS Y TRES IMÁGENES PARA VALIDACION 4.3.1 Reconocimiento con imagen número cuatro C.1
3.1: 3 aceptados, 0 falsa aceptación, 17 falso rechazo. 3.2: 3 aceptados, 0 falsa aceptación, 17 falso rechazo. 3.3: 3 aceptados, 0 falsa aceptación, 17 falso rechazo. 3.4: 6 aceptados, 11 falsa aceptación, 3 falso rechazo. 3.5: 6 aceptados, 14 falsa aceptación, 0 falso rechazo. 3.6: 6 aceptados, 14 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.1 Aceptados (3)= U3, U8, U10 Falsa aceptación (0)=0 Falso rechazo (17)= U1, U2, U4, U5, U6, U7, U9, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.2 Aceptados (3)= U3, U8, U10 Falsa aceptación (0)=0 Falso rechazo (17)= U1, U2, U4, U5, U6, U7, U9, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.3 Aceptados (5)= U3, U8, U10 Falsa aceptación (0)= 0
92
Falso rechazo (13)= U1, U2, U4, U5, U6, U7, U9, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.4 Aceptados (6)= U1,U2, U3, U4, U8, U10 Falsa aceptación (11)= U5 a U7, U7 a U4, U11 a U4, U12 a U4, U13 a U5, U14 a U2, U16 a U8, U17 a U10, U18 a U2, U19 a U10, U20 a U4 Falso rechazo (3)= U6, U9, U15
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.5 Aceptados (6)= U1,U2, U3, U4, U8, U10 Falsa aceptación (14)= U5 a U7, U6 a U8, U9 a U5, U7 a U4, U11 a U4, U12 a U4, U13 a U5, U14 a U2, U16 a U8, U17 a U10, U18 a U2, U19 a U10, U20 a U4 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.6 Aceptados 6)= U1,U2, U3, U4, U8, U10 Falsa aceptación (9)= U5 a U7, U6 a U8, U9 a U5, U7 a U4, U11 a U4, U12 a U4, U13 a U5, U14 a U2, U16 a U8, U17 a U10, U18 a U2, U19 a U10, U20 a U4 Falso rechazo (0)= 0
4.3.2 Reconocimiento con imagen número cinco C.2
3.1: 2 aceptados, 0 falsa aceptación, 18 falso rechazo. 3.2: 2 aceptados, 0 falsa aceptación, 18 falso rechazo. 3.3: 4 aceptados, 1 falsa aceptación, 15 falso rechazo. 3.4: 5 aceptados, 9 falsa aceptación, 6 falso rechazo. 3.5: 5 aceptados, 15 falsa aceptación, 0 falso rechazo. 3.6: 5 aceptados, 15 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.1 Aceptados (2)= U3, U5 Falsa aceptación (0)=0
93
Falso rechazo (18)= U1, U2, U4, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.2 Aceptados (2)= U3, U5 Falsa aceptación (0)=0 Falso rechazo (12)= U1, U2, U4, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.3 Aceptados (4)= U1, U3, U5, U7 Falsa aceptación (1)= U11 a U4 Falso rechazo (15)= U2, U4, U6, U8, U9, U10, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.4 Aceptados (5)= U1, U3, U4, U5, U7 Falsa aceptación (9)= U2 a U11, U8 a U3, U10 a U8, U11 a U4, U12 a U10, U13 a U10, U16 a U10, U17 a U5, U9 a U13 Falso rechazo (6)= U6, U9, U14, U15, U18, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.5 Aceptados (5)= U1, U3, U4, U5, U7 Falsa aceptación (15)= U2 a U11, U6 a U13, U8 a U3, U9 a U5, U10 a U8, U11 a U4, U12 a U10, U13 a U10, U14 a U2, U15 a U5, U16 a U10, U17 a U5, U18 a U3, U19 a U3, U20 a U4 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.6 Aceptados (9)= U1, U3, U4, U5, U7 Falsa aceptación (11)= U2 a U11, U6 a U13, U8 a U3, U9 a U5, U10 a U8, U11 a U4, U12 a U10, U13 a U10, U14 a U2, U15 a U5, U16 a U10, U17 a U5, U18 a U3, U19 a U3, U20 a U4 Falso rechazo (0)= 0
94
4.3.3 Reconocimiento con imagen número seis C.3
3.1: 7 aceptados, 0 falsa aceptación, 13 falso rechazo. 3.2: 7 aceptados, 0 falsa aceptación, 13 falso rechazo. 3.3: 7 aceptados, 0 falsa aceptación, 13 falso rechazo. 3.4: 8 aceptados, 4 falsa aceptación, 8 falso rechazo. 3.5: 8 aceptados, 11 falsa aceptación, 1 falso rechazo. 3.6: 8 aceptados, 12 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.1 Aceptados (7)= U3, U5, U7, U10, U13, U19, U20 Falsa aceptación (0)=0 Falso rechazo (13)= U1, U2, U4, U6, U8, U9, U11, U12, U14, U15, U16, U17, U18
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.2 Aceptados (7)= U3, U5, U7, U10, U13, U19, U20 Falsa aceptación (0)=0 Falso rechazo (13)= U1, U2, U4, U6, U8, U9, U11, U12, U14, U15, U16, U17, U18
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.3 Aceptados (7)= U3, U5, U7, U10, U13, U19, U20 Falsa aceptación (1)= U11 a U4 Falso rechazo (13)= U1, U2, U4, U6, U8, U9, U11, U12, U14, U15, U16, U17, U18
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.4 Aceptados (8)= U3, U5, U7, U8, U10, U13, U19, U20 Falsa aceptación (4)= U4 a U11, U11 a U5, U16 a U10, U17 a U8 Falso rechazo (8)= U1, U2, U6, U9, U12, U14, U15, U18
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.5 Aceptados (8)= U3, U5, U7, U8, U10, U13, U19, U20 Falsa aceptación (11)= U2 a U5, U4 a U11, U6 a U8, U9 a U5, U11 a U5, U12 a U3, U14 a U5, U15 a U7, U16 a U10, U17 a U8, U18 a U3
95
Falso rechazo (1)= U1
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 3
3.6 Aceptados (8)= U3, U5, U7, U8, U10, U13, U19, U20 Falsa aceptación (12)= U2 a U5, U4 a U11, U6 a U8, U9 a U5, U11 a U5, U12 a U3, U14 a U5, U15 a U7, U16 a U10, U17 a U8, U18 a U3 Falso rechazo (0)= 0
4.4 DOS IMÁGENES REGISTRADAS Y CUATRO IMÁGENES PARA VALIDACION 4.4.1 Reconocimiento con imagen número tres D.1
4.1: 2 aceptados, 0 falsa aceptación, 18 falso rechazo. 4.2: 2 aceptados, 0 falsa aceptación, 18 falso rechazo. 4.3: 2 aceptados, 1 falsa aceptación, 17 falso rechazo. 4.4: 3 aceptados, 10 falsa aceptación, 7 falso rechazo. 4.5: 3 aceptados, 17 falsa aceptación, 0 falso rechazo. 4.6: 3 aceptados, 17 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.1 Aceptados (2)= U7, U11 Falsa aceptación (0)=0 Falso rechazo (18)= U1, U2, U3, U4, U5, U6, U8, U9, U10, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.2 Aceptados (2)= U7, U11 Falsa aceptación (0)=0 Falso rechazo (18)= U1, U2, U3, U4, U5, U6, U8, U9, U10, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.3 Aceptados (2)= U7, U11 Falsa aceptación (1)= U19 a U4
96
Falso rechazo (17)= U1, U2, U3, U4, U5, U6, U8, U9, U10, U12, U13, U14, U15, U16, U17, U18, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.4 Aceptados (3)= U3, U7, U11 Falsa aceptación (10)= U2 a U7, U5 a U4, U9 a U7, U10 a U7, U12 a U5, U13 a U10, U16 a U4, U17 a U7, U18 a U4, U19 a U4 Falso rechazo (7)= U1, U4, U6, U8, U14, U15, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 2 4.5 Aceptados (3)= U3, U7, U11
Falsa aceptación (17)= U1 a U10, U2 a U7, U4 a U3, U5 a U4, U6 a U8, U8 a U3, U9 a U7, U10 a U8, U12 a U5, U13 a U10, U14 a U17, U15 a U4, U16 a U4, U17 a U7, U18 a U4, U19 a U4, U20 a U7 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.6 Aceptados (3)= U3, U7, U11 Falsa aceptación (17)= U1 a U10, U2 a U7, U4 a U3, U5 a U4, U6 a U8, U8 a U3, U9 a U7, U10 a U8, U12 a U5, U13 a U10, U14 a U17, U15 a U4, U16 a U4, U17 a U7, U18 a U4, U19 a U4, U20 a U7 Falso rechazo (0)= 0
4.4.2 Reconocimiento con imagen número cuatro D.2
4.1: 1 aceptados, 0 falsa aceptación, 19 falso rechazo. 4.2: 1 aceptados, 0 falsa aceptación, 19 falso rechazo. 4.3: 1 aceptados, 0 falsa aceptación, 19 falso rechazo. 4.4: 4 aceptados, 11 falsa aceptación, 5 falso rechazo. 4.5: 4 aceptados, 16 falsa aceptación, 0 falso rechazo. 4.6: 4 aceptados, 16 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.1 Aceptados (1)= U10 Falsa aceptación (0)=0
97
Falso rechazo (19)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.2 Aceptados (1)= U10 Falsa aceptación (0)=0 Falso rechazo (19)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 2 4.3 Aceptados (1)= U10
Falsa aceptación (0)= 0 Falso rechazo (19)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.4 Aceptados (4)= U1, U3, U4, U10 Falsa aceptación (11)= U2 a U7, U5 a U7, U7 a U4, U11 a U4, U12 a U4, U13 a U5, U14 a U4, U16 a U8, U17 a U3, U19 a U10, U20 a U4 Falso rechazo (5)= U6, U8, U9, U15, U18
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.5 Aceptados (4)= U1, U3, U4, U10 Falsa aceptación (16)= U2 a U7, U5 a U7, U6 a U8, U7 a U4, U8 a U3, U9 a U5, U11 a U4, U12 a U4, U13 a U5, U14 a U4, U15 a U8, U16 a U8, U17 a U3, U18 a U3, U19 a U10, U20 a U4 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.6 Aceptados (4)= U1, U3, U4, U10 Falsa aceptación (16)= U2 a U7, U5 a U7, U6 a U8, U7 a U4, U8 a U3, U9 a U5, U11 a U4, U12 a U4, U13 a U5, U14 a U4, U15 a U8, U16 a U8, U17 a U3, U18 a U3, U19 a U10, U20 a U4 Falso rechazo (0)= 0
98
4.4.3Reconocimiento con imagen número cinco
D.3 4.1: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 4.2: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 4.3: 2 aceptados, 1 falsa aceptación, 17 falso rechazo. 4.4: 5 aceptados, 8 falsa aceptación, 7 falso rechazo. 4.5: 5 aceptados, 15 falsa aceptación, 0 falso rechazo. 4.6: 5 aceptados, 15 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.1 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.2 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.3 Aceptados (2)= U1, U7 Falsa aceptación (1)= U11 a U4 Falso rechazo (17)= U2, U3, U4, U5, U6, U8, U9, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.4 Aceptados (5)= U1, U3, U4, U7, U16 Falsa aceptación (8)= U2 a U11, U5 a U4, U8 a U3, U10 a U8, U11 a U4, U13 a U10, U17 a U5, U19 a U3 Falso rechazo (7)= U6, U9, U12, U14, U15, U18, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.5 Aceptados (5)= U1, U3, U4, U7, U16
99
Falsa aceptación (15)= U2 a U11, U5 a U4, U6 a U3, U8 a U3, U9 a U5, U10 a U8, U11 a U4, U12 a U3, U13 a U10, U14 a U2, U14 a U8, U17 a U5, U18 a U3, U19 a U3, U20 a U4 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.6 Aceptados (5)= U1, U3, U4, U7, U16 Falsa aceptación (15)= U2 a U11, U5 a U4, U6 a U3, U8 a U3, U9 a U5, U10 a U8, U11 a U4, U12 a U3, U13 a U10, U14 a U2, U14 a U8, U17 a U5, U18 a U3, U19 a U3, U20 a U4 Falso rechazo (0)= 0
4.4.4 Reconocimiento con imagen número seis
D.4 4.1: 3 aceptados, 0 falsa aceptación, 17 falso rechazo. 4.2: 3 aceptados, 0 falsa aceptación, 17 falso rechazo. 4.3: 3 aceptados, 1 falsa aceptación, 16 falso rechazo. 4.4: 6 aceptados, 5 falsa aceptación, 9 falso rechazo. 4.5: 6 aceptados, 13 falsa aceptación, 1 falso rechazo. 4.6: 6 aceptados, 14 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.1 Aceptados (3)= U7, U10, U13 Falsa aceptación (0)=0 Falso rechazo (17)= U1, U2, U3, U4, U5, U6, U8, U9, U11, U12, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.2 Aceptados (3)= U7, U10, U13 Falsa aceptación (0)=0 Falso rechazo (17)= U1, U2, U3, U4, U5, U6, U8, U9, U11, U12, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.3 Aceptados (3)= U7, U10, U13 Falsa aceptación (1)= U19 a U4
100
Falso rechazo (16)= U1, U2, U3, U4, U5, U6, U8, U9, U11, U12, U14, U15, U16, U17, U18, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.4 Aceptados (6)= U3, U7, U8, U10, U13, U16 Falsa aceptación (5)= U4 a U11, U5 a U4, U11 a U5, U17 a U8, U19 a U4 Falso rechazo (9)= U1, U2, U6, U9, U12, U14, U15, U18, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.5 Aceptados (6)= U3, U7, U8, U10, U13, U16 Falsa aceptación (13)= U2 a U5, U4 a U11, U5 a U4, U6 a U8, U9 a U5, U11 a U5, U12 a U3, U14 a U5, U15 a U7, U17 a U8, U18 a U3, U19 a U4, U20 a U4 Falso rechazo (1)= U1
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 2
4.6 Aceptados (6)= U3, U7, U8, U10, U13, U16 Falsa aceptación (14)= U1 a U7, U2 a U5, U4 a U11, U5 a U4, U6 a U8, U9 a U5, U11 a U5, U12 a U3, U14 a U5, U15 a U7, U17 a U8, U18 a U3, U19 a U4, U20 a U4 Falso rechazo (0)= 0
4.5 UNA IMAGEN REGISTRADA Y CINCO IMÁGENES PARA VALIDACION 4.5.1 Reconocimiento con imagen número dos
E.1 5.1: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.2: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.3: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.4: 0 aceptados, 10 falsa aceptación, 10 falso rechazo. 5.5: 2 aceptados, 18 falsa aceptación, 0 falso rechazo. 5.6: 2 aceptados, 18 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.1 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
101
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.2 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.3 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.4 Aceptados (0)= 0 Falsa aceptación (10)= U3 a U8, U4 a U8, U5 a U8, U7 a U8, U8 a U7, U10 a U7, U11 a U8, U14 a U12, U16 a U8, U17 a U3 Falso rechazo (10)= U1, U2, U6, U9, U12, U13, U15, U18, U19, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.5 Aceptados (2)= U9, U15 Falsa aceptación (18)= U1 a U9, U2 a U7, U3 a U8, U4 a U8, U5 a U8, U6 a U10, U7 a U8, U8 a U7, U10 a U7, U11 a U8, U12 a U4, U13 a U5, U14 a U2, U16 a U8, U17 a U3, U18 a U4, U19 a U4, U20 a U3 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.6 Aceptados (2)= U9, U15 Falsa aceptación (18)= U1 a U9, U2 a U7, U3 a U8, U4 a U8, U5 a U8, U6 a U10, U7 a U8, U8 a U7, U10 a U7, U11 a U8, U12 a U4, U13 a U5, U14 a U2, U16 a U8, U17 a U3, U18 a U4, U19 a U4, U20 a U3 Falso rechazo (0)= 0
4.5.2 Reconocimiento con imagen número tres
E.2 5.1: 0 aceptados, 0 falsa aceptación, 20 falso rechazo.
102
5.2: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.3: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.4: 0 aceptados, 12 falsa aceptación, 8 falso rechazo. 5.5: 0 aceptados, 20 falsa aceptación, 0 falso rechazo. 5.6: 0 aceptados, 20 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.1 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.2 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.3 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.4 Aceptados (0)= 0 Falsa aceptación (12)= U2 a U8, U3 a U7, U5 a U8, U7 a U8, U9 a U7, U10 a U7, U11 a U8, U12 a U4, U13 a U19, U16 a U8, U17 a U8, U19 a U7 Falso rechazo (8)= U1, U4, U6, U8, U14, U16, U18, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.5 Aceptados (0)= 0 Falsa aceptación (20)= U1 a U2, U2 a U8, U3 a U7, U4 a U3, U5 a U8, U6 a U8, U7 a U8, U8 a U7, U9 a U7, U10 a U7, U11 a U8, U12 a U4, U13 a U19, U14 a u17, U15 a U7, U16 a U8, U17 a U8, U18 a U7, U19 a U7, U20 a U7 Falso rechazo (0)= 0
103
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.6 Aceptados (0)= 0 Falsa aceptación (20)= U1 a U2, U2 a U8, U3 a U7, U4 a U3, U5 a U8, U6 a U8, U7 a U8, U8 a U7, U9 a U7, U10 a U7, U11 a U8, U12 a U4, U13 a U19, U14 a u17, U15 a U7, U16 a U8, U17 a U8, U18 a U7, U19 a U7, U20 a U7 Falso rechazo (0)= 0
4.5.3 Reconocimiento con imagen número cuatro
E.3 5.1: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.2: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.3: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.4: 1 aceptados, 10 falsa aceptación, 9 falso rechazo. 5.5: 1 aceptados, 19 falsa aceptación, 0 falso rechazo. 5.6: 1 aceptados, 19 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.1 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.2 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.3 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 1
104
5.4 Aceptados (1)= U1 Falsa aceptación (10)= U2 a U7, U3 a U7, U7 a U8, U10 a U7, U11 a U8, U12 a U5, U13 a U5, U14 a U7, U16 a U8, U17 a U7 Falso rechazo (9)= U4, U5, U6, U8, U9, U15, U18, U19, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.5 Aceptados (1)= U1 Falsa aceptación (19)= U2 a U7, U3 a U7, U4 a U5,U5 a U3, U6 a U8, U7 a U8, U8 a U7, U9 a U13, U10 a U7, U11 a U8, U12 a U5, U13 a U5, U14 a U7, U15 a U8, U16 a U8, U17 a U7, U18 a U4, U19 a U8, U20 a U7 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.6 Aceptados (0)= 0 Falsa aceptación (20)= U2 a U7, U3 a U7, U4 a U5,U5 a U3, U6 a U8, U7 a U8, U8 a U7, U9 a U13, U10 a U7, U11 a U8, U12 a U5, U13 a U5, U14 a U7, U15 a U8, U16 a U8, U17 a U7, U18 a U4, U19 a U8, U20 a U7 Falso rechazo (0)= 0
4.5.4 Reconocimiento con imagen número cinco E.4
5.1: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.2: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.3: 2 aceptados, 0 falsa aceptación, 18 falso rechazo. 5.4: 2 aceptados, 7 falsa aceptación, 11 falso rechazo. 5.5: 2 aceptados, 18 falsa aceptación, 0 falso rechazo. 5.6: 2 aceptados, 18 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.1 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.2 Aceptados (0)= 0
105
Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.3 Aceptados (2)= U1, U7 Falsa aceptación (0)=0 Falso rechazo (18)= U2, U3, U4, U5, U6, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.4 Aceptados (2)= U1, U7 Falsa aceptación (7)= U3 a U7, U4 a U9, U5 a U8, U8 a U3, U10 a U8, U11 a U12, U17 a U5 Falso rechazo (11)= U2, U6, U9, U12, U13, U14, U15, U16, U18, U19, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.5 Aceptados (2)= U1, U7 Falsa aceptación (18)= U2 a U7, U3 a U7, U4 a U9, U5 a U8, U6 a U7, U8 a U3, U9 a U13, U10 a U8, U11 a U12, U12 a U3, U13 a U3, U14 a U8, U15 a U8, U16 a U4, U17 a U5, U18 a U3, U19 a U4, U20 a U4 Falso rechazo (0)= 0
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.6 Aceptados (2)= U1, U7 Falsa aceptación (18)= U2 a U7, U3 a U7, U4 a U9, U5 a U8, U6 a U7, U8 a U3, U9 a U13, U10 a U8, U11 a U12, U12 a U3, U13 a U3, U14 a U8, U15 a U8, U16 a U4, U17 a U5, U18 a U3, U19 a U4, U20 a U4 Falso rechazo (0)= 0
4.5.5 Reconocimiento con imagen número seis E.5
5.1: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.2: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.3: 0 aceptados, 0 falsa aceptación, 20 falso rechazo. 5.4: 1 aceptados, 8 falsa aceptación, 11 falso rechazo.
106
5.5: 2 aceptados, 17 falsa aceptación, 1 falso rechazo. 5.6: 2 aceptados, 18 falsa aceptación, 0 falso rechazo.
UMBRAL: 500, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.1 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 600, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.2 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 700, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.3 Aceptados (0)= 0 Falsa aceptación (0)=0 Falso rechazo (20)= U1, U2, U3, U4, U5, U6, U7, U8, U9, U10, U11, U12, U13, U14, U15, U16, U17, U18, U19, U20
UMBRAL: 800, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.4 Aceptados (1)= U8 Falsa aceptación (7)= U3 a U7, U4 a U11, U5 a U8, U7 a U8, U10 a U7, U11 a U7, U17 a U8, U19 a U7 Falso rechazo (11)= U1, U2, U6, U9, U12, U13, U14, U15, U16, U18, U20
UMBRAL: 900, CANTIDAD DE IMÁGENES REGISTRADAS: 1
5.5 Aceptados (2)= U2, U8 Falsa aceptación (17)= U3 a U7, U4 a U11, U5 a U8, U6 a U3, U7 a U8, U9 a U13, U10 a U7, U11 a U7, U12 a U3, U13 a U5, U14 a U12, U15 a U8, U16 a U4, U17 a U8, U18 a U3 U19 a U7, U20 a U7 Falso rechazo (1)= U1
UMBRAL: 1000, CANTIDAD DE IMÁGENES REGISTRADAS: 1
107
5.6 Aceptados (2)= U2, U8 Falsa aceptación (18)= U1 a U4, U3 a U7, U4 a U11, U5 a U8, U6 a U3, U7 a U8, U9 a U13, U10 a U7, U11 a U7, U12 a U3, U13 a U5, U14 a U12, U15 a U8, U16 a U4, U17 a U8, U18 a U3 U19 a U7, U20 a U7 Falso rechazo (0)= 0
4.5.6 Análisis de Resultados
De los resultados obtenidos anteriormente se observa que los mejores casos se presentan cuando por cada usuario se tienen cinco imágenes registradas, y con los umbrales de 500, 600 y 700 así:
Total usuarios 20.
10 usuarios verificados exitosamente en la primera validación.
10 usuarios con falso rechazo
0 falsa aceptación.
Al registrar menos imágenes por usuario hay probabilidad de rechazo total y/o falsos positivos, como se evidencia en las pruebas.
En este experimento si un usuario que está registrado en la base de datos es rechazado (falso rechazo), podría asumirse como los casos en los que un usuario coloca corrida o girada la mano, lo cual genera un captura no deseada en el sistema. Si un usuario que no está en la base de datos es reconocido, se evidenciaría como una falla de seguridad
En conclusión, entre menos imágenes por usuario, la efectividad de detección de cada usuario es menor, y es mejor tener cero usuarios como falsa aceptación y diez como falsos rechazos lo que indica realizar otro intento de validación.
A continuación se presentan los porcentajes de efectividad y error de las tres pruebas a umbrales de 500, 600 y 700 (iguales resultados, iguales porcentajes):
Porcentaje de Efectividad:
Ecuación 5
108
Porcentaje de Error:
Ecuación 6
En las figuras 59, 60 y 61 se hace referencia a los usuarios reconocidos, usuarios con falsa aceptación y usuarios con falsos rechazos, obtenidos durante las pruebas realizadas en los casos donde se han registrado desde una imagen hasta cinco imágenes por usuario, donde cada una de estas pruebas se ven reflejadas en las letras dadas desde A hasta E5. En cada figura, se relaciona el umbral utilizado para las pruebas, desde 500 hasta 1000, vs las clases de usuarios mencionados anteriormente, pero teniendo en cuenta que se trazaron varias curvas, cada una de ellas correspondientes a una prueba específica diferenciada por letras así: A, B1, B2, C1, C2, C3, D1, D2, D3, D4, E1, E2, E3, E4, E5, categorías explicada anteriormente en este capítulo, pero donde solo han sido tenidos en cuenta los mejores casos de aceptación, el mejor caso de falso rechazo y el peor caso de falsa aceptación con el propósito de eliminar las curvas que no representan datos importantes y para generar una mejor visualización.
En la figura 59 que corresponde a la gráfica de Umbral vs. Usuarios registrados por prueba, se observa que a medida que aumenta el valor del umbral el número de usuarios reconocidos es mayor, donde A es la gráfica superior, y en orden hasta llegar E que es la gráfica inferior.
Figura 59.Gráfica Umbral vs. Usuarios detectados por prueba
0
2
4
6
8
10
12
14
16
18
20
0 200 400 600 800 1000 1200
USU
AR
IOS
AC
EPTA
DO
S
UMBRAL
UMBRAL VS. USUARIOS ACEPTADOS POR CADA PRUEBA
A
B
C
D
E
109
En las figuras 60 y 61 de falso rechazo y falsa aceptación, se ha elegido de cada una de las pruebas desde A hasta E5, el mejor caso de falso rechazo, y el peor caso de falsa aceptación, donde el mejor caso de falso rechazo, indica el menor número de usuarios registrados y que han sido rechazados por el sistema, y el peor caso de falsa aceptación indica el mayor número de usuarios aceptados que no están registrados o indica la presencia de un usuario diferente.
En la figura 60 que corresponde a la gráfica de Umbral vs. Falsa aceptación por cada prueba, puede observarse que el umbral en los umbrales de 500, 600 y 700 garantizan que no hay ningún falso positivo. Y con valores más altos aumenta o disminuye el número de falsos positivos de acuerdo a el número de imágenes por persona, donde algunos de los valores obtenidos en la validación, con el método LHD, pueden generar resultados no esperados por no existir un único valor para cada conjunto de imágenes por usuario, es decir tomar como falso rechazo a una imagen presente en la base de datos, o por lo contrario indicar a un usuario externo no registrado como propio de la base de datos. El orden de las gráficas va desde E que es la gráfica superior y A que es la gráfica inferior.
Figura 60.Gráfica Umbral vs. Usuarios falsa aceptación por prueba
0
5
10
15
20
0 200 400 600 800 1000 1200
USU
AR
IOS
FALS
A A
CEP
TAC
ION
UMBRAL
UMBRAL VS. PEOR FALSA ACEPTACION POR CADA PRUEBA
A
B
C
D
E
110
En la figura 61 que corresponde a la gráfica de Umbral vs. Falso rechazo por cada prueba, se puede observar que el falso rechazo es menor cada vez que se aumenta el umbral, ya que se evidencia que al disminuir el umbral, la cantidad de usuarios rechazados es menor. El orden de las gráficas esta dado desde E grafica superior hasta A gráfica inferior.
Figura 61.Gráfica Umbral vs. Usuarios falso rechazo por prueba.
El proyecto de Oscar Motato y Humberto Loaiza, posee un valor de falso rechazo de 8,42%, un valor de falsa aceptación de 14,29 %, estos valores comparados con esta tesis de grado, indica las dificultades generadas por la implementación de una base de datos, y algoritmos utilizados, con características diferentes a los del proyecto ya mencionado.
0
5
10
15
20
0 200 400 600 800 1000 1200
USU
AR
IOS
FALS
O R
ECH
AZO
UMBRAL
UMBRAL VS. MEJOR FALSO RECHAZO POR CADA PRUEBA
A
B
C
D
E
111
5. CONCLUSIONES
Como derivación del proceso de investigación y recopilación bibliográfica se llegó a la implementación de varios procesos algorítmicos que sirvieron para lograr la autenticación de las imágenes a través de la base de datos implementada. Dicho algoritmo hace uso de diversos métodos tales como: binarización y esqueletización.
Adicional a los algoritmos implementados, para la extracción de características se realizó una plataforma experimental para hacer la captura propia de la extracción de las venas dorsales de la mano, aunque se presentaron ciertos inconvenientes se pudo desarrollar todo el procedimiento y concluir que factores pudieron conllevar a que la captura no fuera con la calidad deseada tales como: el rango espectral del filtro que fue de 760nm y las investigaciones decían que debía ser de 720 nm, al igual que los factores de iluminación.
Como resultado de la mala calidad de las imágenes capturadas en la plataforma experimental se concluyó trabajar con las imágenes de la base de datos de BOSPHORUS donde las imágenes de las venas del dorso de la mano se ven mejor y más pronunciadas. Esta base de datos es de libre acceso para facilitar y mejorar el campo investigativo en la biometría vascular. Los resultados obtenidos durante este periodo de pruebas lograron una identificación de usuarios con un porcentaje de confiabilidad del 50%. A continuación se establecen las conclusiones obtenidas a lo largo de este proceso de investigación y se resaltará lo más importante de este proyecto, es decir las conclusiones en los algoritmos que lograron una adecuada etapa de registro y validación de los diferentes usuarios almacenados en la base de datos creada a través de la plataforma de programación de Matlab.
De las pruebas realizadas durante el proceso de normalización se puede concluir que: Una buena normalización, es decir obtener una mano en la posición indicada para su captura, depende de factores como el tamaño de la mano, la buena alineación de la mano con respecto al dedo medio, la iluminación. Las manos que no poseen un tamaño grande, tienen la dificultad de que al ser giradas, no se mantienen en una posición fija y pueden girar más o pueden girar menos, lo contrario ocurre cuando es una mano grande que al ser girada, esta se alinea con respecto al dedo medio y se obtiene una buena mano normalizada. Es importante destacar que para el correcto giro de la mano es necesario primero definir los bordes de está aplicando del operador Sobel, el cual permite definir con precisión los bordes de la mano, permitiendo así encontrar con la transformada de
112
radón el ángulo mayor sobre toda la imagen, para luego conociendo la dirección hacia la que esta girada la mano, es decir hacia la izquierda o hacia la derecha, aplicar el ángulo de giro con el propósito de ubicar la mano en la posición deseada.
De las pruebas realizadas durante la etapa de filtración de las venas se puede afirmar que: La importancia de todo el sistema de identificación de las venas dorsales de la mano, está fundamentada en una captura adecuada y de alta calidad, puesto que en las diferentes capturas que se realizaron con usuarios reales y bajo los parámetros establecidos, como lugar sin iluminación, mano ubicada siempre en la misma posición, no se logró obtener una detección y localización clara de la imagen de las venas dorsales de la mano, por esta razón es que se ven afectadas todas las etapas del proceso(filtración, umbralización, esqueletización), y se tomó la decisión de trabajar con la base de datos Bosphorus. Varios parámetros se deben tener en cuenta a la hora de aplicar la filtración a la zona de interés de las imágenes almacenadas dentro de la base de datos, pues para poder realizar una adecuada filtración, no solo se requiere de una imagen de buena calidad, si no que igualmente se requiere de una buena implementación de un filtro aplicado 2 veces y una posterior convolución entre la imagen de interés y el filtro para lograr un resultado óptimo después de aplicar dicho proceso.
De las pruebas realizadas durante la etapa de umbralización se puede llegar a la conclusión que: La importancia de esta etapa radica en 2 aspectos básicos: 1) un buen resultado en la etapa de filtración, para lograr una secuencia exitosa 2) un buen umbral definido, que en este caso se estableció en un valor determinado que fue de: 0,09. Se llegó a este valor, luego de observar el comportamiento en el procesamiento de la imagen al aplicar valores de umbral que no generaban imágenes con características adecuadas para su posterior uso, logrando con esto que los pixeles de la imagen que estén por debajo de este valor se vuelvan negros y los valores de la imagen que esté por encima de este determinado valor, se vuelvan blancos.
Durante las pruebas realizadas de la etapa de esqueletización se pueden presentar los siguientes resultados: Para lograr que este proceso sea el deseado se debe obtener un buen procesamiento en la etapa anterior, es decir, generar en la imagen resultante del método de umbralización, una zona de interés bien clara definida, para establecer de esta forma un adecuado adelgazamiento en las imágenes procesadas. Para
113
este método se aplicó el algoritmo de Pavlidis que resultó ser un algoritmo más fácil de implementar que los anteriores, ya que solo requería la imagen pre-procesada en el paso anterior, sin ningún parámetro adicional, igualmente al seleccionar este algoritmo se pudo notar que otros métodos que utilizaban esta misma finalidad, no se logró obtener un resultado tan eficiente como se presentó con este procesamiento.
De las pruebas realizadas durante la etapa de verificación, y de los resultados presentados en el capítulo 4, se puede concluir que: El algoritmo implementado para la validación de las plantillas del dorso de las venas de las manos, es sensible a pequeñas variaciones presentes entre imágenes del mismo usuario, por lo tanto la plataforma a desarrollar debe garantizar que la mano siempre se va a colocar en la misma posición, con límites que aferren la mano. Se debe mencionar que para lograr una buena captura y un resultado exitoso, es indispensable posicionar la mano en un mismo ángulo, pues el algoritmo de identificación es muy vulnerable ante cualquier cambio de posición que tenga la captura de las venas dorsales de la mano.
De las pruebas realizadas en el capítulo 4 se concluye que: Un valor de umbral igual 500, 600 y 700, más el registro de 5 imágenes, genera una efectividad confiable en el sistema, muestra que entre estos valores la respuesta es estable La gráfica de Umbral vs. Usuarios registrados, muestra como la cantidad de usuarios reconocidos es mayor cuando aumenta el valor del umbral.
La gráfica de Umbral vs. Falsa aceptación por cada prueba, muestra que entre los rangos de umbral de 500 a 700, se obtienen 0 falsos positivos, y estos aparecen a partir del incremento de este umbral, es decir a partir de 800. La gráfica de Umbral vs. Falso rechazo por cada prueba, indica que a medida que crece el umbral, alcanza un valor de 0 falsos rechazos en umbral igual a 1000.
114
6. PROYECTOS FUTUROS
El presente trabajo de grado ha tenido como finalidad importante la implementación de diversos algoritmos que logren un correcto procesamiento en las imágenes adquiridas, de filtración, binarización y posterior esqueletización de estas, para lograr un buen cálculo de coincidencias a través del método de LHD. En este período se ha buscado fortalecer y aplicar los conocimientos adquiridos acerca del tema y realizar la implementación de un algoritmo al igual que el diseño de una plataforma experimental que logrará obtener y concluir confiablemente con este proyecto de grado, con estos procedimientos realizados han surgido algunas propuestas que pueden contribuir en la mejora de este tipo de implementaciones.
Teniendo en cuenta las conclusiones y resultados planteados de este proyecto se pueden dar una serie de sugerencias que conlleven a mejorar este tipo de investigaciones en trabajos futuros, estas propuestas son:
Evaluación del sistema de reconocimiento patrón venoso a través de una base de datos implementada y realizada por los mismos desarrolladores del proyecto, teniendo en cuenta las falencias que se presentaron para obtener unas imágenes de buena calidad en este trabajo de tesis.
Una buena implementación en el diseño que logre una captura de las venas dorsales de la mano clara y confiable para poder hacer el procesamiento adecuadamente.
Diseño de un sistema embebido que implemente el algoritmo de reconocimiento del patrón vascular del dorso de la mano para lograr una correcta comprobación de su funcionamiento. Enfocándose en que la parte de la captura debe ser una etapa importante para lograr un funcionamiento idóneo para el cumplimiento de estos algoritmos.
115
BIBLIOGRAFÍA
Academic. (2000-2010). Diccionario Medico. Recuperado el Febrero de 2012, de Diccionario Medico: http://www.esacademic.com/dic.nsf/es_mediclopedia/54264/vena
Alvarez Borja, J. (septiembre de 2008). Algoritmo de Esqueletizacion de Pavlidis. Recuperado el noviembre de 2012, de Jhon Alvarez Borja: http://jalvarezb.blogspot.com/2008/09/algoritmo-de-esqueletizacion-de.html
Amazon. (12 de Abril de 2011). Amazon. Recuperado el 15 de Abril de 2013, de Amazon: http://www.amazon.es/L%C3%A1mpara-Iluminador-infrarrojos-nocturna-seguridad/dp/B00AAZRYD6
bd, C. (Noviembre de 2012). Click bd. Recuperado el Febrero de 2013, de Click bd: http://www.clickbd.com/bangladesh/831423-hp-scanjet-8300-unbelievable-price-1670587873.html
Bhattacharyya, D., Das, P., Kim, T.-h., & Bandyopadhyay, S. K. (2009). Vascular Pattern Analysis towards Pervasive Palm Vein Authentication. J.UCS vol. 15, no. 5.
Bhattacharyya, D., Das, P., Kim, T.-h., & Bandyopadhyay, S. K. (2009). Vascular Pattern Analysis towards Pervasive Palm Vein Authentication. Journal of Universal Computer Science, 15(5).
Biometria. (25 de Julio de 2009). Biometria. Recuperado el Mayo de 2012, de Biometria: http://www.um.es/docencia/barzana/DIVULGACION/INFORMATICA/Biometria-venas-1.html
Blogspot. (2011). Vascularizacion de la extremidad superior. Recuperado el Junio de 2012, de Vascularizacion de la extremidad superior: http://anatomia-vascular.blogspot.com/p/irrigacion-de-la-extremidad-superior.html
Carranza Athó, F. (2006). [email protected]. Recuperado el Diciembre de 2012, de [email protected]: http://seccperu.org/fcatho/doku.php?id=image_processing_and_computer_graphics
Carvajal, & Reyes, y. (2010). ALGORITMO DE DETECCION FACIAL PARA SISTEMAS DE AUTENTICACION. Habana.
116
Ciber-Shot. (Enero de 2013). Ciber-Shot. Recuperado el 10 de Marzo de 2013, de Ciber-Shot: http://www.sony.es/product/dsc-w-series/dsc-w110
Cortés, F., Aranda, J. M., Sánchez-Reillo, R., Meléndez, J., & López, a. F. ((2009)). Spectral Selection for a Biometric Recognition System Based on Hand Veins Detection Through Image Spectrometry. In Proc. BIOSIG, Pp. 81-92.
DigitaltoyShop. (13 de Junio de 2011). DigitaltoyShop. Recuperado el miercoles de agosto de 2012, de DigitaltoyShop: http://www.digitaltoyshop.com/Filtro_Infrarrojo_720nm_t1450_6902_2
FILTERS, H. (12 de Agosto de 2011). HOYA FILTERS. Recuperado el 13 de Marzo de 2013, de HOYA FILTERS: http://www.hoyafilter.com/hoya/products/hdfilters/
Fujitsu. (2005). Palmsecure. Recuperado el Abril de 2012, de Palmsecure: http://www.fujitsu.com/global/services/solutions/biometrics/palmsecure/
Fujitsu. (2005). Productos Fujitsu. Recuperado el Junio de 2012, de Productos Fujitsu: http://www.fujitsu.com/es/products/others/biometric/
Gao, & Leung, y. (2002). Griffith University. 35(2), 361-371.
Gao, Y., & Leung, M. K. (2000). Line segment Hausdorff distance on face matching. Singapure.
Gao, Y., & Leung, M. K. (Noviembre de 2007). Palmprint Verification for Controlling Access to Shared Computing Resources. Singapur.
Garcia, B. A. (1997). LIBRO DE AUTORES CUBANOS. (C. Medicas, Editor) Recuperado el Diciembre de 2012, de LIBRO DE AUTORES CUBANOS: http://gsdl.bvs.sld.cu/cgi-bin/library
Goldenmap. (2005). Distancia_de_Hausdorff. Recuperado el Abril de 2013, de Distancia_de_Hausdorff: http://es.goldenmap.com/Distancia_de_Hausdorff
González, E., Morales, A., & Ferrer, M. A. (2007). Base de Datos Interoperable para Biometría de la Mano. Gran Canaria.
117
Hitachi. (2009). Hitachi En Sudamerica. Recuperado el Marzo de 2012, de Hitachi En Sudamerica: http://www.hitachi.com.ar/products/business/security/finger_vein/index.html
Iaci. ( 2005). Segmentación por Umbralización. Buenos Aires: Cátedra: Visión Artificial.
Inc., E. (21 de Junio de 2012). HP ScanJet 5300C Flatbed Scanner. Recuperado el 14 de Febrero de 2013, de http://www.ebay.com/ctg/HP-ScanJet-5300C-Flatbed-Scanner-/66779581
Industrial. (Octubre de 2005). Segmentación por Umbralización. Recuperado el Mayo de 2013, de http://iaci.unq.edu.ar/: http://iaci.unq.edu.ar/materias/vision/archivos/apuntes/Segmentaci%C3%B3n%20por%20umbralizaci%C3%B3n%20-%20M%C3%A9todo%20de%20Otsu.pdf
INTERTEST. (2011). Camara Watec. Recuperado el MAYO de 2013, de INTERTEST: http://www.intertest.com/cameras
Kyun, H., & Soo-won, y. (Abril de 2003). A Direction-Based Vascular Pattern Extraction Algorithm for Hand Vascular Pattern Verification. ETRI Journal, 25(2), 101-108.
Latifi, S., & Solayappan, a. N. (2003). A Survey of Unimodal Biometric Methods. Security and Management'06, Pp 57-63.
Leedham, W. y. (26 de Diciembre de 2007). Infrared imaging of hand vein patterns for biometric purposes. Computer Vision, IET., 1, 113 - 122.
LTDA, B. C. (2008). BIONICS CO LTDA. Recuperado el 12 de Junio de 2012, de BIONICS CO LTDA: http://www.bionics-k.co.jp/english/product/va110.html
Mania.com, S. (Junio de 2012). Sitio Mania.com. Recuperado el Julio de 2012, de Sitio Mania.com: http://www.telescopiomania.com/es/
Modet, & Atenea, y. (2011). ATENEA DIGITAL.ES. Recuperado el JUNIO de 2013, de ATENEA DIGITAL.ES: http://www.revistatenea.es/RevistaAtenea/REVISTA/cabecerasypies/PortadaHome.asp
118
Montoto, L. (2005). Fundamentos físicos de la informática y las comunicaciones. Buenos Aires, Argentina: THOMSON.
Motato, & Correa, y. (Enero - Abril de 2009). Identificacion biometrica utilizando imagenes infrarojas de la red vascular de la cara dorsal de la mano. Ingenieria e Investigacion, 29(1), 90-100.
ounae. (2011). ounae. Recuperado el Junio de 2012, de ounae: http://ounae.com/el-lector-biometrico-de-venas-sustituira-el-carne-de-biblioteca/
Rebaza, J. V. (Marzo de 2009). jcGeorge´s Blog. Recuperado el Noviembre de 2011, de jcGeorge´s Blog: http://jc-info.blogspot.com/2009/03/binarizacion-de-imagenes-codigo.html
Rebaza, J. V. (Junio de 2011). blog Jorge Valverde Rebaza. Recuperado el Martes de Septiembre de 2013, de blog Jorge Valverde Rebaza: http://jc-info.blogspot.com/2011/06/detector-bordes-sobel-codigo-matlab.html
Sandeivid. (Junio de 2012). Slideshare. Recuperado el Abril de 2012, de Slideshare: http://www.slideshare.net/Sandeivid/lector-de-venas-del-dedo-hitachi-h1
Soup. (25 de Marzo de 2010). Mayroby´Soup. Recuperado el Marzo de 2012, de Mayroby´Soup: http://mayroby.soup.io/post/50272391/Introducci-n
Tapiador, & Siguenza, y. (2005). Tecnologias Biometricas Aplicadas A La Seguridad. Barcelona: RA-MA.
Thesis, L. L. (27 de Febrero de 2012). scribd. Recuperado el Junio de 2013, de scribd: http://www.scribd.com/doc/98930845/16/Operador-de-Sobel
Toro, M., & Correa, y. L. (Abril de 2009). Identificacion biometrica utilizando imagenes infrarojas de la red vascular de la cara dorsal de la mano. Ingenieria e Investigación , 29(1), 90 - 100.
VIDAS. (Julio de 2004). Biografias y Vidas. Recuperado el Enero de 2012, de Biografias y Vidas: http://www.biografiasyvidas.com/biografia/b/bertillon.htm
119
Wang, L., Leedham, G., & Cho, S.-Y. (Diciembre de 2007). Infrared imaging of hand vein patterns for biometric purposes. Computer Vision, IET , 1, 113 - 122.
Watec. (Mayo de 2008). Watec. Recuperado el Febrero de 2013, de Watec: http://www.wateccameras.com/products.php?prod_id=194
Xueyan, & Shuxu, y. (Noviembre de 2008). The Fourth Biometric - Vein Recognition . Pattern Recognition Techniques, Techonology and Applications, 626.
Yörük, E., Konuko˘glu, E., Sankur, B., Member, S., & Darbon, J. (Julio de 2006). Shape-Based Hand Recognition. Transactions in Image Processing, 15(7), 1803 - 1815.
Yuksel, A., Akarun, L., & Sankur, B. (4 de Agosto de 2011). Hand vein biometry based on geometry and appearance methods. IET Computer Vision, 5(6), 398 – 406.
Zuazua, E. (2000). Temas relevantes de la matemática actual. España: Ministerio de Educación.
