RECONOCIMIENTO DE HUELLAS USANDO APRENDIZAJE POR CUANTIFICACIÓN VECTORIAL 1 Carlos De Luna-Ortega, 2 Miguel Mora-González & 3 Julio Martínez. INTRODUCCIÓN Actualmente existen procesos de autenticación más automáticos tales como: la identificación del personal, control de acceso, monitoreo de la asistencia tiempo, y en general cualquier sistema de seguridad tratan de ofrecer reconocimiento basado en características discriminantes que son inherentes a toda persona. Es por ello que los sistemas biométricos han ofrecido una solución natural y fiable en este ámbito [1,2]. En este contexto, se entiende como un sistema biométrico, uno que mide una o más características discriminantes que se pueden encontrar en diferentes partes del cuerpo humano, por ejemplo, características de las huellas dactilares, geometría de la mano, cara, iris, retina, el oído, el ADN o las características de comportamiento, tales como voz, la firma de una persona, o de olores corporales, entre otros. El método de reconocimiento mediante huellas dactilares es el método más utilizado[3] en comparación con otros algoritmos basados ​​ en geometría de la mano, la firma, la voz, etc., esto se debe a las huellas dactilares no cambian durante la mayor parte de la vida de un individuo [2]; además, la implementación de dispositivos para este fin son de bajo costo [3]. El estudio de este tipo de sistemas ha sido constante durante más de 40 años ; sin embargo, se piensa que muchas posibilidades de estos sistemas todavía no se han explotado a fondo para su pleno potencial, dado que los algoritmos se pueden hacer más operable y computacionalmente más ligero [4]. La literatura indica que una de las maneras en que el reconocimiento de huellas digitales se lleva a cabo es mediante el uso de minucias, el uso de correlaciones y el uso de híbridos de ambas técnicas [5]. El objetivo de esta investigación es exponer una nueva metodología para la caracterización y verificación de huellas digitales para el reconocimiento de las personas sobre la base de la detección del núcleo mediante la transformada de Radón METODOLOGÍA MARCO TEÓRICO RESULTADOS CONCLUSIONES Una nueva técnica de reconocimiento de huellas dactilares con el uso del centro de masa como la característica discriminante se muestra en este artículo. Esta técnica reduce la complejidad computacional de las técnicas de caracterización anteriores. La técnica aquí descrita es bastante estable para las huellas dactilares cuyo núcleo está bien definido o se encuentra cerca del centro geométrico de la imagen. El centro de masa es el parámetro más importante en el algoritmo propuesto, mediante la comparación de la orientación y la detección precisa del núcleo, que es necesaria para un algoritmo óptimo de este propósito. La transformada de Radón se aplica en el reconocimiento de patrones y procesamiento de imágenes digitales pueden ser considerados como la imagen de proyección a través de un ángulo dado alrededor del eje x. El modelo matemático de la transformada de Radón es: Donde R, R y θ son el operador de radón, la función delta de Dirac, la distancia desde el origen hasta la directriz y el ángulo de dirección de la línea respectivamente. Con gráficos suaves obtenido el radón transformar da el núcleo de la marca en un mínimo local y máximo ejes globales X e Y, respectivamente El mínimo local en la imagen de la parte inferior izquierda expuesta por el núcleo a lo largo del eje x, mientras que el máximo general en el eje de la muestra de núcleo. En la Figura 1 se muestra la metodología a seguir para el reconocimiento de huella digital con LVQ. Se utilizaron dos bases de datos en este experimento, el primero (BD1) se obtuvo mediante la introducción de información de huellas dactilares de los voluntarios en las instalaciones de Lagos (Universidad de Guadalajara) utilizando una huella digital ®scanner Microsoft con un ordenador Sony Vaio PCG-K35F, la obtención de imágenes de píxeles en 355X290 BMP. Esta base de datos contiene 150 muestras distribuidas en 15 individuos, siempre se utilizó 10 muestras de cada uno de los mismos dedos. La segunda base de datos (BD2) está incluido en el libro FVC2000[2], utiliza una alta calidad con un sensor óptico área DF-90 tamaño 448X478 formato TIFF pixel, que se compone de 800 huellas dactilares de los 10 dedos diferentes con la huella digital definido núcleo, doble núcleo y sin núcleo. Los resultados obtenidos de las pruebas del diseño experimental utilizando el algoritmo de validación se muestran a continuación. En general, el algoritmo tiene una tasa de 94% de reconocimiento correcto en promedio para las pruebas con los dos bases de datos descritas anteriormente Figura 1. Metodología propuesta Figure 2 Aplicación de la Transformada de Radón Tabla 1. Resultados por base de datos Tabla 2. Matriz de confusión La red LVQ es una red de aprendizaje supervisado, realiza un tipo estadístico de clasificación. Esta clasificación se basa en una comparación entre el vector de entrada y un número de vectores propios representativos llamados libro de códigos ( vectores que se obtienen a partir del proceso de aprendizaje ). Una red LVQ se compone de un tipo competitivo de la capa oculta y una capa de salida de tipo lineal. [1] Jain, A. K., Ross, A. A. A., & Nandakumar, K. (2011). Introduction to biometrics. Springer. [2] Maio, D., & Jain, A. K. (2009). Handbook of fingerprint recognition. Springer. [3] Xu, H., Veldhuis, R. N., Kevenaar, T. A., &Akkermans, T. A. (2009). A fast minutiae-based fingerprint recognition system. Systems Journal, IEEE, 3(4), [4] Cappelli, R., Ferrara, M., & Maltoni, D. (2010). Minutia cylinder-code: A new representation and matching technique for fingerprint recognition. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 32(12), [5] Khalil, M. S., Muhammad, D., Khan, M. K., & Al-Nuzaili, Q. (2009, December). Fingerprint verification using fingerprint texture. In Signal Processing and Information Technology (ISSPIT), 2009 IEEE International Symposium on (pp ). IEEE. [6] Galton F. (1892). Finger Prints, Macmillan. [7] Zhang, D., Liu, F., Zhao, Q., Lu, G., &Luo, N. (2011). Selecting a reference high resolution for fingerprint recognition using minutiae and pores. Instrumentation and Measurement, IEEE Transactions on, 60(3), [8] Ratha, N. K., Chen, S., & Jain, A. K. (1995). Adaptive flow orientation-based feature extraction in fingerprint images. Pattern Recognition, 28(11), [9] Chikkerur, S., Govindaraju, V., Pankanti, S., Bolle, R., &Ratha, N. (2005, January). Novel approaches for minutiae verification in fingerprint images. In Application of Computer Vision, 2005.WACV/MOTIONS'05 Volume 1.Seventh IEEE Workshops on (Vol. 1, pp ). [10] Nandakumar, K., & Jain, A. K. (2004). Local Correlationbased Fingerprint Matching. In ICVGIP (pp ). [11] Bazen, A. M., Verwaaijen, G. T., Gerez, S. H., Veelenturf, L. REFERENCIAS 1 Universidad Politécnica de Aguascalientes, 2 Centro Universitario de los Lagos, Universidad de Guadalajara, 3 Instituto Tecnológico de Aguascalientes