Eduardo Brioso Moniz Álvaro Castilla Nieto Mario Colchero Pérez

Presentación del tema: "Eduardo Brioso Moniz Álvaro Castilla Nieto Mario Colchero Pérez"— Transcripción de la presentación:

1 Eduardo Brioso Moniz Álvaro Castilla Nieto Mario Colchero Pérez
Un método combinado basado en gradiente para el cálculo de los campos de orientación de las huellas dactilares. Eduardo Brioso Moniz Álvaro Castilla Nieto Mario Colchero Pérez GRUPO 9

2 Tabla de contenidos Introducción.
Método básico para el cálculo de los campos de orientación de las huellas dactilares. Método combinado. Cálculo de los campos de orientación de primer, segundo y tercer nivel. Combinación de los campos. Predicción de las orientaciones por iteración. Conclusiones. Bibliografía. Implementación.

3 Introducción

4 Introducción

5 Introducción Campo de orientación “Filter Bank”: “Basados en Modelo”:
Resistentes al ruido Nº limitado filtros  Resultados no exactos Caros computacionalmente. “Basados en Modelo”: Patrones repetidos en C.O. EXCEPTO áreas ptos singulares  Predecir C.O. Si hay poca calidad imagen (ruido)…

6 Introducción Basados en Gradiente: Nuestro método mejora a los
Más exactos y más populares. Más sensibles al ruido. Nuestro método mejora a los anteriores porque… Gran exactitud. Más resistente contra ruidos. Capaz de predecir.

7 Método básico basado en gradiente
Diferencias entre orientación por bloques y por píxeles El procedimiento principal consta de 3 pasos: Dividir la imagen en bloques de tamaño WxW y calcular todos los vectores de gradientes de los píxeles:

8 Método básico basado en gradiente
Diferencias entre orientación por bloques y por píxeles El procedimiento principal consta de 3 pasos: 2. A partir de los vectores de gradiente de píxeles, elevándolos al cuadrado, obtenemos los vectores de gradiente de bloque.

9 Método básico basado en gradiente
Diferencias entre orientación por bloques y por píxeles El procedimiento principal consta de 3 pasos: Transformamos los vectores de gradiente de bloque en orientaciones: COHERENCIA NORMALIZACIÓN

10 Ejemplo antes y después de normalizar

11 Método combinado El método combinado consta de 3 pasos fundamentales:
El cálculo de los campos de orientación de primer nivel. Combinación de los campos de primer nivel. Predicción de las áreas que no han sido estimadas.

12 Método combinado Cálculo de los campos de orientación:
Dentro de una huella dactilar existen 2 patrones de orientación. Suaves y no suaves (puntos singulares).

13 Método combinado Cálculo de los campos de orientación:
En el método anterior usábamos un solo bloque para toda la imagen. Bloques grandes para resistencia al ruido pero bloques pequeños para ser precisos. Bloques grandes  zonas suaves. Bloques pequeñas zonas de ruido. Combinando ambos bloques conseguimos un nuevo campo de orientación resistente al ruido y más preciso que con un bloque.

14 Método combinado Cálculo de los campos de orientación de primer nivel:
Calculamos todos los vectores de gradiente de los pixeles (1). Normalizamos los vectores distintos de 0 y ponemos como vectores de 0s los que sean 0. (8) y (9) Elevamos al cuadrado los vectores de gradiente normalizados (3) y (4).

15 Método combinado Dividimos la imagen en bloques de tamaño W1 x W1, miramos si el nº de vectores de gradientes normalizados y al cuadrado > 0 y si son mayor que W x W / 2 entonces calculamos el vector de gradiente de bloque (13); si no se cumple lo anterior, un vector de 0s.

16 Método combinado Calculamos la coherencia para cada vector distinto de 0; sino su coherencia es 0. Por cada vector de gradiente de bloque, si su coherencia es menor que el umbral (0’5), tenemos que volver a estimar el nuevo vector de bloque con sus bloques 8-vecinos.

17 Método combinado Tenemos que transformar todos los vectores de gradientes de bloques a orientación para formar el campo de orientación O1: Repetimos los 3 pasos anteriores con 2 tamaños de bloques diferentes y obtenemos dos campos de orientación O2 y O3

18 Combinar los campos de orientación de 2º nivel.
Uno de los principales problemas en este apartado es encontrar las zonas suaves y las áreas con ruido.

19 Combinar los campos de orientación de 2º nivel.
Este proceso es muy caro. Hemos introducido un concepto de varianza que significa la diferencia entre el bloque actual y los bloques 8-vecinos La varianza será pequeña en zonas suaves y grande en zonas de ruido.

20 Combinar los campos de orientación de 2º nivel.
Por cada bloque de orientación de primer nivel, si el vector de gradiente de bloque es distinto de 0 calculamos la varianza, sino le ponemos un valor muy alto (100). Debemos definir un umbral para cada tamaño de bloque y si está por debajo de éste, será una zona suave y en caso contrario, zona con puntos singulares. Hacemos lo mismo para los otros campos de orientación. En nuestro caso, 6x6 -> 0,25 ; 12x12  0,18 ; 18x18  0, 12

21 Combinar los campos de orientación de 2º nivel.

22 Predicción de las orientaciones por iteración
Dividimos la imagen en bloques lo suficientemente pequeños para que los patrones de orientación de los bloques contiguos sean continuos. El método es: Dividir la imagen completa en bloques de tamaño WxW (6x6) . Bloque de área estimada  1 Bloque de área no estimada  0 Recorremos los bloques: Si tiene estado 0  y el nº de bloques de sus 8-vecinos con valor 1 es mayor o igual que 4, reestimamos el vector de gradiente de bloque. Contar el nº de bloques cambiados. Si es mayor que 1 repetimos paso anterior. Transformar todos los vectores de gradiente de bloque en orientaciones.

23 Conclusiones Proponer un método que combina los campos de orientación calculados usando bloques de diferentes tamaños para sobrellevar el defecto causado usando solamente un tamaño. Proponer un método basado en iteraciones  predecir la orientación dentro de áreas con mucho ruido. EXPERIMENTOS: este método es más robusto contra el ruido, mientras que conserva la exactitud y es capaz de predecir

24 ¿Predicciones siempre satisfactorias? NO
Conclusiones ¿Predicciones siempre satisfactorias? NO

25 Bibliografía Yuan Mei, Huaijiang Sun, Deshen Xia, A gradient-based combined method for the computation of fingerprints orientation field, Image and Vision Computing 27 (2009) J. Zhou, F. Chen, 1. Wu, C. Wu, Crease detection from fingerprint images and its applications in elderly people, Pattern Recognition (42) (2009)

26