biometria
DESCRIPTION
BIOMETRIATRANSCRIPT
1
Ident. biométrica
Identificación biométrica
Número especial de Computer, febrero 2000
2
Ident. biométrica
Introducción
• Motivación– Seguridad en el acceso a la información (psswd).
– Personalización de el entorno.
– Combatir el crimen, • Identificación de criminales
• Evitación de duplicación de identidades
• Evitar la suplantación de personalidad.
• Infraestructura de identificación personal robusta y fiable– Robusted: para que se pueda realizar en diversas circunstancias
– Fiable: la precision del reconocimiento debe ser alta.
3
Ident. biométrica
• Algunas medidas biométricas– Huellas dactilares (fingerprints). Comercializados desde los 60
– Caras: reconocimiento óptico y de signaturas infrarrojas
– Silueta de la mano
– Retina
– Iris
– Voz
– Firma escrita
– Orejas
– Olor
– Patrón de pulsación de teclado
– Pisada (Gait)
4
Ident. biométrica
5
Ident. biométrica
Definición
Sistema biométrico de identificación:
Sistema de reconocimiento estadístico de patrones que establece la autenticidad de una característica fisiológica o
de comportamiento que posee un usuario
Existe un nivel de incertidumbre inevitable debido al ruido y a las variaciones intrínsecas y extrínsecas de la señal.
• Fases (módulos) del sistema– Registro (enrollment): se presentan las personas que van a ser
reconocidas. (se construye la BD de identidades)
– Identificación (operativa): se verifica la identidad o se identifica a los usuarios.
6
Ident. biométrica
7
Ident. biométrica
Fase de registro
• Se digitalizan las características biométricas
• Se realiza la extracción de características para la clasificación (depende de las medidas biométricas)
• Se construye la BD de caracteristicas
• Se entrena el clasificador
• No hay una restricción de tiempo real estricta
8
Ident. biométrica
Fase de identificación
• Los usuarios se presentan y se toman las medidas biométricas.
• Se extraen las características para clasificación.
• Se aplica el clasificador entrenado para determinar si se reconoce al usuario.
• Puede haber restricciones fuertes de tiempo real.
9
Ident. biométrica
Escenarios
• Verificación: se trata de autentificar la identidad que el usuario proclama como suya.– La identidad es una información a priori que limita la búsqueda en
al BD
– El problema pasa a ser clasificación en dos clases.
• Reconocimiento: determinar la identidad a partir de la información en la BD.– Implica busqueda exahustiva en la BD
– El problema es de clasificación en múltiples (numerosas) clases.
10
Ident. biométrica
Elementos de rendimiento
• Precisión: está condicionada por – El nivel de ruido en el sensor.
– La potencia del clasificador y el conjunto de características.
– La variabilidad inherente a la medida biométrica.
• Costo: la reducción de costos puede comprometer la precisión del sistema (sensores, tiempo de cálculo,etc).
• Integración de múltiples medidas: es inevitable dado que– Un porcentaje de la población puede carecer de una medida
biométrica
– Aumenta la capacidad de discriminación del sistema.
11
Ident. biométrica
12
Ident. biométrica
Elementos de rendimiento
• Facilidad de uso:– Requerimientos de cooperación del usuario
• Privacidad: la información biométrica debe quedar fuera de especulación.
• Facilidad de desarrollo:necesidad de la definición de estandards de componentes para la programación de sistemas
13
Ident. biométrica
Reconocimiento de caras
• Justificación para tomar el reconocimiento de caras como medida biométrica– Es poco intrusiva (reconocimiento a distancia).
– Se ha avanzado hasta llegar a productos comerciales eficientes.
– Costo reducido,
– No se restringe el movimiento del usuario.
– Es natural.
– Es pasivo, en el sentido de que no necesita “iluminación” específica.
14
Ident. biométrica
Condiciones en las que funciona
• En condiciones de iluminación normales, el color de la cara está bastante bien acotado
• En vistas frontales, la geometría de la cara se simplifica.
• No se producen cambios de escala.
• No hay variaciones del mapa de reflectancia de la cara (maquillaje)
• No hay variaciones de la estructura de la cara: gafas, barbas, etc.
15
Ident. biométrica
Representación y reconocimiento
• Se utiliza un conjunto de caras para el entrenamiento.
• Se realizan reducciones de dimensión para extraer las características– Karhunen-Loeve transform, PCA e ICA
– Ritz aproximation
– Representaciones de filtros dispersos (Gabor jets)
• Se estima la PDF de las características (mezcla de gausianas) a partir de los datos.
• El reconocimiento consiste en aplicar la decisión de máxima probabilidad a posteriori (MAP)..
16
Ident. biométrica
Intentos de Reconocimiento de caras
• Kohonen propuso por primera vez el uso de PCA (exigía normalización y alineación)
• Kirby & Sirovich mejoran el cálculo de las eigenfaces
• Turk & Pentland proponen la localización basada en el error residual y el reconocimiento basado en los PCA
• ARPA establece el programa Feret, con una base de datos de 1196 individuos.
• cuatro algoritmos basicos que han dado lugar a sistemas comerciales
17
Ident. biométrica
• Se puede obtener buenos resultados con bases de datos de menos de 200 individuos utilizando simplemente la correlación como medida de similitud.
• Los algoritmos se comportan de forma similar– 95% reconocimiento sobre imágenes frontales del mismo día.
– 80% con diferentes cámaras o condiciones de iluminación.
– 50% para imágenes tomadas un año después.
18
Ident. biométrica
19
Ident. biométrica
Version 1 del sistema del MIT
20
Ident. biométrica
2ª versión del sistema del MIT
21
Ident. biométrica
22
Ident. biométrica
Evaluación de sistemas biométricos
• Elementos para un sistema biométrico (de identificación) ideal:– todos los miembros de la población poseen la característica
biométrica (iris, huella dactilar, cara, etc)
– La signatura biométrica de cada individuo es diferente de las demás en la población de control.
– Las signaturas biométricas son invariantes a las condiciones de captura.
– El sistema resiste contramedidas.
23
Ident. biométrica
Estadisticas de interés
• Para sistemas de identificación:– Porcentaje de aciertos: un acierto es la aparición del individuo
entre una lista de los mejores candidatos.
• Para un sistema de verificación:– Tasas de falsos positivos (false alarm) y falsos negativos (false
reject). (ROC analisis).
– El balance óptimo de estas tasas depende de la aplicación
24
Ident. biométrica
Metodología de evaluación
• Una agencia independiente recolecta una base de datos de casos experimentales
• Se hacen publicos un conjunto de casos para que los grupos construyan sus sistemas
• Se evaluan los sistemas aplicandolos a un conjunto secuestrado de datos, que no eran accesibles previamente
• De ser posible se gradua la dificultad del reconocimiento
25
Ident. biométrica
26
Ident. biométrica
Un sistema multimodal: BioId
• Para aumentar la robusted de los sistemas es recomendable combinar varias medidas biométricas.– Un usuario puede carecer de una medida o tenerla deteriorada
– Medidas biométricas de individuos distintos pueden ser muy similares (gemelos…)
• Reconocimiento del hablante es la identificación del hablante en función del análisis de la señal sonora de su voz.
• BioId usa caras, voz y movimiento de los labios
27
Ident. biométrica
Fusión de sensores: suma de resultados o votación
28
Ident. biométrica
La localización precisa de la cara es una de las tareas más delicadas debido a que condiciona la extracción de los labios y el reconocimiento.
Se realiza calculando la mínima distancia de Hausdorf entre las imágenes binarias de bordes.
29
Ident. biométrica
El sistema normaliza la cara y algunos de los rasgos principales
30
Ident. biométrica
De las 17 primeras imágenes del usuario pronunciando una palabra se extraen 16 campos de movimiento.
Se calcula una transformada 3D de Fourier para reducir los datos
31
Ident. biométrica
32
Ident. biométrica
La clasificación consiste en el producto de los patrones normalizados y en una selección winner-take-all condicionada a que la distancia entre los dos primeros sea mayor que un umbral.
33
Ident. biométrica
Reconocimiento de la geometría de la mano
• Biometric identification through hand geometry measurement, R. Sanchez-Reillo, C. Sanchez-Avila, A. Gonzalez-Marcos, IEEE TPAMI 22(10) pp. 1168-1171
• Extraen un conjunto de medidas de anchura y altura de la mano
• Prueban diversos modos de clasificación y conjuntos de características
• Han creado una bd de imágenes para la verificación experimental
34
Ident. biométrica
Introducción
• Ventajas de la forma de la mano como medida biometrica– Medio/bajo costo
– Algoritmos computacionales de baja complejidad
– Pequeño tamaño de los patrones
– Facil y atractivo para los usuarios
– No tiene relación con registros policiales, legales o criminales
• Tipos de aplicaciones– Clasificación
– Verificacion
35
Ident. biométrica
Una camara capta la vista lateral y zenital de la mano con la ayuda de un espejo.
La cámara se dispara cuando los sensores de presión están activados.
La posición de la mano está restringida por los sensores.
36
Ident. biométrica
Proceso
• Captura: la cámara se dispara sólo cuando todos los sensores están activos. La mano está forzada a posicionarse adecuadamente
• Preproceso : – Paso a niveles de gris: IBW=<<IR+IG>-IB>
– Binarización por un umbral predeterminado.
– Registro para eliminar variaciones en posición de la cámara: se detectan dos de los topes y se rota y re-escala la imagen.
– Detección de bordes mediante el operador de Sobel
37
Ident. biométrica
Medidas
• Anchuras: – Los cuatro dedos (sin considerar el pulgar) se miden a distintas
alturas.
– La anchura de la palma (w0)
– Las distancias entre los tres puntos inter-digitales en coordenadas verticales y horizontales
• Alturas (perfil): el dedo medio, el pequeño y la palma
• Desviaciones: distancia entre el punto medio del dedo y la recta que une el punto interdigital y la última altura del dedo
• Ángulos entre los puntos interdigitales y la horizontal.
38
Ident. biométrica
39
Ident. biométrica
Clasificación
• Selección de características: en base a la F ratio entre las variabilidades interclase e intraclase, reduce de 31 a 25
• Métodos:– Distancia Euclídea al representante de la clase
– Distancia de Hamming: cuenta el número de características que caen fuera del intervalo de confianza:
40
Ident. biométrica
Clasificación
• Métodos– Modelos de mezcla de gausianas: (GMM)
– Redes de función de base radial (RBF): No las utiliza para el proceso de verificación de identidad debido a que el entrenamiento no puede hacerse para cada individuo por separado.
41
Ident. biométrica
Experimentos
• Base de datos:– 10 imágenes de 20 personas de diferentes edades,sexo y estilo de
vida.
– Facilidad de uso y robusted frente a coloraciones de la piel.
• Datos de registro (enrollent): tres a cinco imágenes
• Experimentos – Clasificación : basados en distintos conjuntos de registro
(enrollment) y distintos numeros d ecaracterísticas
– Verificación: resultados en FAR (false acceptance ratio) y FRR (false rejection ratio)
42
Ident. biométrica
43
Ident. biométrica
Resultados de la verificación
44
Ident. biométrica
PCASYS
• Sistema desarrollado en el NIST 1995
• Clasifica las imágenes de huellas (fingerprints) en seis clases: arch, left loop, right loop, scar, tented arch, whorl
• Pasos de proceso– Segmentación de la imagen
– Mejora de la imagen
– Extracción de características
– Registro
– PCA
– Clasificación (Probabilistic Neural Network)
45
Ident. biométrica
Introducción y motivación
• Identificación en base a las huellas dactilares se basa en la comparación de ridges (crestas) endings y bifurcaciones (minutiae)
• La partición del conjunto de imágenes en clases disjuntas puede reducir el tiempo de búsqueda inmensamente.
• Las clases corresponden a una versión de clasificación de alto nivel del algoritmo standard (Henry)
• Las imágenes corresponden a escaneados a 500 dpp de 512x480 como mínimo
46
Ident. biométrica
Arch Left loop
47
Ident. biométrica
Right loopScar
48
Ident. biométrica
Tented arch Whorl
49
Ident. biométrica
Segmentador de la imagen
• Produce una imagen de 512x480 que contiene la impresión de la última falange. Intenta estimar la rotación.
• Pasos: – Binarización: descompone en bloques de 8x8 y realiza la
binarización localmente según un factor de diferencia entre el minimo y el maximo de los valores en el bloque. El resultado es el “foreground”.
– Limpieza: tres pasos de erosión, elimina todos los componentes conectados excepto el más grande, rellena el envolvente rectangular del componente conexo.
– Calcula el centroide de la imagen limpiada
50
Ident. biométrica
segmentador
• Pasos (cont)– Bordes superior, inferior, izqdo y dcho. Se realiza una búsqueda
linea a linea (col a col) para encontrar los límites del blob.
– Calcula la inclinación global del foreground: ajusta lineas a los bordes del blob. La inclinación global es la media de las inclinaciones izqda y dcha.
– Sobre partir del centroide calcula un rectangulo del tamaño deseado. Examina las filas hasta encontrar el comienzo del fingerprint y ajusta el corte en función de la inclinación detectada.
51
Ident. biométrica
52
Ident. biométrica
Mejora de la imagen
• Procesa bloques de 32x32 desplazados 24 pixels.
• Realiza la FFT, un filtrado no lineal de la transformada y la transformación inversa.
• El filtrado no lineal consiste en – Hacer cero los coeficientes de las altas y bajas frecuencias
– Multiplica los coeficientes de la transformada por el espectro elevado a 0.3
• Sobre la imagen 32x32 recuperada – Toma el centro 24x24
– Suma 128 a lo niveles de gris
53
Ident. biométrica
54
Ident. biométrica
Detector de crestas y valles
• Se aplica una máscara de “slits” donde las sumas corresponden a los vecinos con el mismo número
• La binarización local hace blanco el pixel si el valor del pixel supera el promedio de los slits
• La comparación de slits hace blanco el pixel de salida si
• Combinación
55
Ident. biométrica
Orientaciones de las crestas y valles obtenida a partir de la máscara de slits.
Para una cresta, la orientacion es la de su mínimo slit, para un valle la de su máximo slit.
Promediando las orientaciones obtenidas en bloques de 16x16 se obtiene una imagen mas suave y menos ruidosa de las orientaciones
56
Ident. biométrica
Registro • Se trata de encontrar una característica consistente y llevarla a una posición
standard. (alg. r92). El registro consiste en una traslación.• El punto de registro es el centro de un loop de una huella tipo whorl o un punto
análogo en otras huellas.• La posición estándar es la mediana de las posiciones de la característica en un
conjunto de casos de entrenamiento.
57
Ident. biométrica
Algoritmo r92
• Procesa las orientaciones en forma angular en intervalos 0˚ a 90˚ y 0˚ a -90˚.
• Construye la “k-table” donde se registra para cada fila la primera posición en la que el ángulo pasa de positivo a negativo. Además se tiene las posiciones en la matriz de orientaciones, y la medida de la buena formación del arco en esa posición.
• La medida de la buena formación del arco depende de los ángulos vecinos en la fila a la entrada en la k-tabla. Tratan de determinar el índice de curvatura
• Se declara vencedora a la entrada en la k-tabla con mayor score.
58
Ident. biométrica
Cálculo del punto de registro cuando se trata de un arco
Cálculo del punto de registro cuando se trata de otra cosa
59
Ident. biométrica
60
Ident. biométrica
Extracción de caracteristicas
• Trasnformada en componentes principales o de Karhunen-Loeve
• Se aplican pesos regionales a la matriz de orientación antes de la transformada PCA para dar mas importancia al centro de la imagen
61
Ident. biométrica
Clasificador: Probabilistic Neural Networks
Activación de la clase i-esima
Confianza de la clasificación dada como la normalización de la máxima activación respecto de las demás.
62
Ident. biométrica
Resultados
63
Ident. biométrica