Estrategias para la identificación de personas mediante biometría de la mano sin contacto

Universidad de Las Palmas de Gran Canaria Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería Programa de Doctorado Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería Tesis Doctoral: Estrategias para la Identificación de Personas mediante Biometría de la Mano sin Contacto Autor: Aythami Morales Moreno Director: Dr. D. Miguel Ángel Ferrer Ballester El Director El Doctorando Las Palmas de Gran Canaria, a 7 de Febrero de 2011 A mis padres, por darme todo. A Yurena, por darme más. 1. Agradecimientos Agradecer en primer lugar al Dr. D. Miguel Ángel Ferrer Ballester no solo su total dedicación y ayuda durante los años de realización de esta Tesis Doctoral sino también la oportunidad dada de trabajar a su lado y poder aprender a realizar buena ciencia. Agradezco a mis padres el apoyo y sobre todo la educación que me han dado. Mi madre, Coki, que ya desde los 7 años me insistía en que aplicara el método científico. Mi padre, Suso, que con 14 me compraba revistas como la Scientific American. Gracias a ambos por inculcarme la pasión por descubrir nuevas cosas, por abrir camino, por ser la punta de la flecha, gracias por estar siempre ahí. Gracias a ti, Yurena. Gracias por ser no solo un apoyo constante sino un motor que me empuja a mejorar cada día. Aunque tú no lo creas, hay mucho de ti en esta tesis. Gracias a toda mi familia, Andrea, Marina, primos, tíos, familia López-Arencibia, el estar aquí os lo debo en gran parte a todos ustedes que han sido tan participes de mi formación y desarrollo como persona como el que más. Especial agradecimiento a mi abuela, María Teresa, es increíble pensar que una sola persona haya sido capaz de crear tanta felicidad, tanta vida. Todo lo que tenemos te lo debemos a ti abuelita. A Francisco Vargas, por ser un referente como ser humano, compañero e investigador. A mis compañeros del grupo GPDS, Suni, Carlos, Patricia, Jose, Alexis, Aday, a todos los proyectando, el camino ha sido fácil con ustedes al lado. Gracias a Celeste y a Lidia por tener siempre una sonrisa que haga más llevadero el día. A todos mis amigos, no quiero nombrar a ninguno porque me aterra dejarme alguno atrás. Saben lo mucho que significan para mí, saben cuanto les necesito a mi lado. Thanks to all who met around the world, Brendan, Anil, Ajay, Pushpendre, Raffaele, Mateo… thanks for giving me the opportunity to work with the best. Now I know the world is not such a big place. Now I know that the people are the greatest thing the world has. 2. Prólogo “Sin darse cuenta, uno empieza a deformar los hechos para que se adapten a las teorías, en lugar de adaptar las teorías a los hechos”. Sherlock Holmes (“Escándalo en Bohemia” de Arthur Conan Doyle 1891) Índice de Contenidos Capítulo 1 - Introducción 1 1.1 Biometría de la mano 5 1.2 Nuevas líneas de investigación en biometría de la mano 8 1.3 La Tesis 9 1.4 Contribuciones 10 1.5 Índice de la Tesis 11 Capítulo 2 – Antecedentes 13 2.1 Sistemas basados en la forma de la mano 14 2.2 Sistemas basados en la imagen palmar 20 2.2.1 Sistemas basados en textura palmar 20 2.2.2 Sistemas basados en información local de la palma 24 2.3 Sistemas multimodales 28 2.4 Patentes y productos comerciales asociados a la biometría de la mano. 30 2.5 Sistemas sin contacto 32 2.6 Sistemas de detección de vida 38 2.7 Aportaciones 40 Capítulo 3 – Segmentación de la mano en entornos no controlados 43 3.1 Métodos de segmentación 44 3.1.1 Método Otsu 46 3.1.2 Segmentación a partir del color de la piel 47 3.1.3 Segmentación por K-Medias 49 3.1.4 Segmentación por Canny 50 3.1.5 Segmentación por contornos activos “Level Set” 52 3.1.6 Comparativa 53 3.2 Sistema de adquisición en infrarrojo 54 3.3 Aportaciones 57 Capítulo 4 – Esquema de un sistema biométrico sin contacto 59 4.1 Sistema de adquisición 60 4.1.1 Captura automática 65 4.2 Sistema de parametrización 67 4.3 Clasificación 67 4.3.1 Clasificador LS-SVM utilizado en la caracterización basada en medidas geométricas 68 4.3.2 Clasificador basado en distancias utilizado en las caracterización palmar de la textura 69 4.3.3 Clasificador basado en distancias utilizado en las caracterización palmar de información local 69 4.4 Base de datos 69 4.4.1 Base de datos GPDS-CL1 70 4.4.2 Base de datos GPDS-CL2 74 4.4.3 Base de datos IITD 75 4.5 Metodología de experimentación 76 4.6 Figuras de calidad 78 4.7 Aportaciones 79 ÍNDICE GENERAL Capítulo 5 – Biometría de la forma de la mano sin contacto. 81 5.1 Extracción de medidas geométricas 81 5.2 Experimentación 88 5.2.1 Prestaciones de las medidas geométricas sobre diferentes bases de datos 91 5.3 Aportaciones 93 Capítulo 6Biometría de la palma sin contacto 95 6.1 Segmentación de la palma 95 6.1.1 Cálculo del contorno de la mano en la imagen visible de GPDSCL2 96 6.1.2 Extracción de la región de interés 99 6.2 Extracción de características 100 6.2.1 Textura basada en filtros de Gabor o Ortogonales 100 6.2.2 Características basadas en información local 106 6.3 Experimentación 101 6.4 Aportaciones 107 Capítulo 7Sistemas sin contacto multimodal 109 7.1 Complementariedad de geometría y palma en esquemas sin contacto. 110 7.1.1 Distorsión de escala 110 7.1.2 Imagen borrosa 112 7.1.3 Distorsión de proyección 113 7.2 Fusión de resultados 116 7.3 Experimentación 117 7.4 Aportaciones 120 Capítulo 8 – Sistemas de detección de vida 123 8.1 Sistema multiespectral Rojo-SWIR 124 8.1.1 Detección de la mano y pre-procesado 125 8.1.2 Principio físico de la detección 125 8.1.3 Detector de vida multiespectral 127 8.1.4 Base de datos multiespectral 128 8.1.5 Evaluación del sistema multiespectral 129 8.2 Mejora del sistema basada en detector V-NIR 131 8.2.1 Combinación 125 8.3 Aportaciones 134 Capítulo 9 – Conclusiones y líneas futuras 135 9.1 Conclusiones 135 9.2 Aceptabilidad de los sistemas sin contacto 137 9.3 Líneas futuras 140 Referencias 143 Índice de Figuras Capítulo 1 – Introducción Figura 1.1. Mercado biométrico en el año 2009 5 Figura 1.2. Algunos rasgos biométricos presentes en la palma de la mano 6 Figura 1.3. Patentes por año de sistemas biométricos basados en mano 7 Capítulo 2 – Antecedentes Figura 2.1. Evolución sistemas biométricos basados en mano 14 Figura 2.2. Entornos de aplicación para sistemas biométricos con contacto 15 Figura 2.3. Segmentación y localización de puntas y valles en imágenes adquiridas con escáner 17 Figura 2.4. Alineación de siluetas de la mano 19 Figura 2.5. Extracción de la región de interés 21 Figura 2.6. Mascaras palmares obtenidas mediante filtrado de Gabor 22 Figura 2.7. Filtros ortogonales del método OLOF 23 2323 Figura 2.8. Máscaras resultantes tras filtrar con OLOF 23 Figura 2.9. Fusión de imágenes palmares en espectro visible e infrarrojo 24 Figura 2.10. Descriptores SURF localizados en una imagen palmar 25 Figura 2.11. Clasificación de parámetros SURF 25 Figure 2.12. Coincidencias entre descriptores con método SIFT 27 Figura 2.13. Aplicación de filtros direccionales y desviación estándar 29 Figura 2.14. Textura y máscaras obtenidas de palma, dedos y patrón vascular 29 Figura 2.15. Primeras patentes de sistemas biométricos basados en la mano 31 Figura 2.16. Sistema óptico patentado por Thomas F. Sartor 31 Figura 2.17. Sistema VeinID de Hitachi 32 Figura 2.18. Adquisición en entorno controlado vs no controlado 33 Figura 2.19. Puntos de interés extraídos de los pliegues de las falanges 34 Figura 2.20. Puntos de interés localizados en una imagen palmar sin contacto 34 Figura 2.21. Triangulación para obtención de características invariantes 35 Figura 2.22. Sistema de adquisición de imágenes 2D y 3D 35 Figura 2.23. Sistema de adquisición multiespectral 36 Figura 2.24. Imágenes de la palma adquirida en diferentes bandas espectrales 36 Figura 2.25. Diferentes representaciones del patrón vascular 37 Figura 2.26. Sistema Palmsecure de Fujitsu 38 Capítulo 3 – Segmentación de la mano en entornos no controlados Figura 3.1. Histograma de imagen de la mano en entorno no controlado 44 Figura 3.2. Histograma de imagen de la mano con objeto interferente 44 Figura 3.3. Imágenes utilizadas para probar los métodos de segmentación. 46 Figura 3.4. Resultados a partir del método Otsu 47 Figura 3.5. Resultados a partir del método basado en color de la piel 48 Figura 3.6. Resultado de la imagen en entorno hostil con segmentación de piel adaptada 49 Figura 3.7. Resultados partir de K-Medias 50 Figura 3.8. Resultados a partir del método de Canny 51 Figura 3.9. Curvas de inicio a partir para método de contornos activos 52 Figura 3.10. Detección de bordes de la palma por el método “level-set” 53 Figura 3.11. Superposición de resultados en la imagen en entorno amigable 53 Figura 3.12. Superposición de resultados en la imagen en entorno hostil 54 Figura 3.13. Diferencias entre adquisición en bandas visible e infrarroja 55 Figura 3.14. Margen de trabajo de un sistema con iluminación propia 56 Figura 3.15. Adquisiciones en el espectro infrarrojo 56 ÍNDICE GENERAL Figura 3.16. Imágenes binarizadas a partir de adquisiciones en infrarrojo 57 Capítulo 4 – Esquema de un sistema biométrico sin contacto Figura 4.1. Esquema de los sistemas biométricos propuestos 59 Figura 4.2. Sistema de correlación hardware de imágenes multiespectrales 61 Figura 4.3. Prototipo inicial de sistema de correlación hardware 61 Figura 4.4. Diseño del dispositivo de montura del filtro dicroico y webcams 62 Figura 4.5. Prototipo en madera de balsa y prototipo en metacrilato 62 Figura 4.6. Disposición de componentes en la placa de iluminación 63 Figura 4.7. Prototipo final y colocación de la mano por parte de los usuarios 63 Figura 4.8. Imagen segmentada en visible a partir del infrarrojo 64 Figura 4.9. Sistema de adquisición multiespectral basado en procesado 64 Figura 4.10. Imágenes obtenidas por el sistema multiespectral II 65 Figura 4.11. Ejemplo de adquisición con máscara en el espectro infrarrojo 65 Figura 4.12. Colocación de la mano respecto la plantilla 66 Figura 4.13. Distancias calculadas para detección de dedos juntos 67 Figura 4.14. Ejemplos de distorsión de proyección en usuarios en GPDS-CL1 71 Figura 4.15. Cambios en condiciones de iluminación en usuarios en GPDS-CL1 71 Figura 4.16. Oclusión parcial y adquisición con dedos cerrados en GPDS-CL1 72 Figura 4.17. Cambio de escala y utilización arbitraria de anillos en GPDS-CL1 72 Figura 4.18. Adquisiciones borrosas en usuarios en GPDS-CL1 73 Figura 4.19. Efectos de anillos y oclusión parcial en GPDS-CL1 73 Figura 4.20. Interferencias por cambios de iluminación en GPDS-CL1 74 Figura 4.21. Porcentaje de distorsiones en la base de datos GPDS-CL1 74 Figura 4.22. Imágenes de la base de datos GPDS-CL2 75 Figura 4.23. Imágenes de la base de datos IITD 75 Figura 4.24. Incorrecto etiquetado de imágenes en IITD 76 Capítulo 5 – Biometría de la forma de la mano sin contacto Figura 5.1. Detección de puntas y valles a partir de las coordenadas polares 82 Figura 5.2. Estimación de los laterales del dedo 84 Figura 5.3. Estimación del eje central del dedo 84 Figura 5.4. Ajuste de la localización de las puntas de los dedos 84 Figura 5.5. Medidas de los anchos de los dedos 86 Figura 5.6. Medidas geométricas de 4 adquisiciones de 8 usuarios diferentes 86 Figura 5.7. Transformada DCT de las medidas mostradas en la figura 87 Figura 5.8. Curvas DET según número de dedos 89 Figura 5.9. Curvas DET obtenidas con GPDS-CL1 y GPDS-CL2 92 Figura 5.10. Distribución de resultados genuinos e impostores de GPDS-CL1 92 Figura 5.11. Distribución de resultados genuinos e impostores de GPDS-CL2 93 Capítulo 6 - Biometría de la palma sin contacto Figura 6.1. Distorsión entre imágenes infrarrojas y visibles 96 Figura 6.2. Movimiento de cada punto de la silueta hacia los bordes 98 Figura 6.3. Silueta inicial obtenida de la imagen infrarroja y aproximación ASM 99 Figura 6.4. Métodos de extracción de la región palmar según 100 Figura 6.5. Textura obtenida a partir de Gabor y OLOF 101 Figura 6.6. Curvas DETs obtenidas con con y sin desp-rot 101 Figura 6.7. Procesado y localización de keypoints en imágenes palmares 102 Figura 6.8. Distribución de resultados con SIFT 103 Figura 6.9. Resultados de SIFT según prepocesado utilizado y base de datos 104 Figura 6.10. Método de validación aplicado a SIFT 105 Figura 6.11. Curvas DETs con y sin validación de coincidencias SIFT 105 Figura 6.12. Palmas segmentadas incorrectamente en IITD 106 CAPÍTULO I: INTRODUCCIÓN [5] Figura 1.1. Mercado biométrico en el año 2009 Como se puede ver en el gráfico, los sistemas AFIS y los basados en huella dactilar copan el 66% del mercado. Son sistemas comercializados desde hace más de 15 años con una presencia consolidad en el mercado. Otros sistemas como los basados en el patrón vascular apenas tienen 2 años de presencia por lo que están mucho menos consolidados, hará falta tiempo para saber su posición real. Por Middleware se entiende el conjunto de aplicaciones y sistemas software asociados a los sistemas biométricos. En general se observa un mercado fragmentado en el que si dejamos de lado las aplicaciones forenses, no se observa un claro dominador. Esta tendencia se ha acrecentado en los últimos años, donde cada vez más aparecen nuevas propuestas basadas en rasgos diferentes a la huella dactilar. Los sistemas biométricos basados en rasgos presentes en la mano (huella dactilar, geometría palma, etc…) abarcan cerca de un 70% del mercado de identificación biométrica. Visto de otra forma, la cuota de mercado que ocupan rasgos biométricos no obtenidos de la mano es inferior al 22% repartido entre cara, iris y voz fundamentalmente. 1.1. Biometría de la mano La mano destaca por ofrecer diferentes rasgos biométricos no correlados en un pequeño espacio. De una imagen de la mano se pueden extraer más de 10 rasgos biométricos diferentes: 5 huellas dactilares (cada una de las huellas dactilares tiene entidad para ser considerada un rasgo biométrico discriminativo), geometría de la mano, huella palmar, textura de los dedos, patrón vascular, huella dáctilo-palmar además de los rasgos que se pueden obtener del dorso de la mano. CAPÍTULO I: INTRODUCCIÓN [6] Figura 1.2. Algunos rasgos biométricos presentes en la palma de la mano Cada huella dactilar posee suficiente información como para considerarlo un rasgo biométrico independiente. La geometría es otro rasgo a extraer y no presenta ningún tipo de relación con las huellas dactilares, de ahí el término “rasgos no correlados”. Se basa en medidas geométricas extraídas de los dedos y la palma tales como anchos, largos y ángulos. La textura de de los dedos es un rasgo biométrico de reciente aparición. Se basa en el estudio de la forma de los pliegues y arrugas de las falanges de los dedos. Existen estudios que utilizan la textura presente en un solo dedo como rasgo biométrico pero dentro de esta tesis consideraremos la textura de todos los dedos como un único rasgo biométrico. La palma es posiblemente la región con mayor información dentro de la mano. Se pueden destacar 3 rasgos: la textura de la palma, la huella dáctilo palmar y el patrón de vascular. La textura palmar se basa en información extraída del dibujo y forma de las líneas y pliegues de la piel. La huella dáctilo palmar se asemeja más al estudio a las técnicas usadas con huellas dactilares, estudio de minucias y puntos de interés extraídos de la palma. El patrón vascular es una técnica emergente y se basa en la distribución de capilares debajo de la piel de la palma de la mano. Es importante destacar el hecho de ser rasgos biométricos no correlados. Es decir, la información extraída de uno de ellos no guarda ningún tipo de relación con la extraída de los otros. La huella dactilar es un rasgo de largo recorrido sobre el que existe una gran bibliografía. En esta tesis se prestará mayor atención a rasgos menos estudiados y emergentes y más concretamente en su aplicación en esquemas sin contacto. Si buscamos en los inicios de los sistemas biométricos basados en la mano y sin considerar la huella dactilar, las primeras patentes que nos encontramos datan de principios de 1970. Tras realizar una búsqueda sobre patentes dentro del grupo de la clasificación europea G06K9/00A y la base de datos EPODOC, se encuentran más de 400 patentes relacionadas con rasgos biométricos de la mano. CAPÍTULO I: INTRODUCCIÓN [7] Desde un punto de vista estrictamente cuantitativo un análisis del número de documentos de patentes publicadas desglosadas por año permite comprobar que en el campo de las patentes, la identificación de personas a partir de la mano se inicia en los años 70. Aunque no se disponen de datos a partir del 2007, en la figura 1.3 se aprecia como el despegue de la tecnología no se produce hasta mediados de los años 90, estabilizándose el crecimiento a partir del 2000 en un número anual de entre 20 y 45. Figura 1.3. Patentes por año relacionadas con sistemas biométricos basados en mano Por países, donde se han publicado mayor número de documentos de la muestra es en los Estados Unidos (131) seguido de Japón (71). En lo que ha estudios científicos se refiere, los inicios datan de 1999 [A. Jain et al, 1999; R. Sanchez-Reillo et al, 1999]. Estos primeros sistemas estaban basados en imágenes del dorso de la mano, usando como sistemas de adquisición sensores CCD. Las tasas de verificación alcanzaban niveles aceptables pero adolecían de problemas de fallos de adquisición. La utilización de topes guiaba al usuario en la colocación de la mano. Los topes deforman la imagen y añaden complejidad al sistema. Es por ello que surgen sistemas libres de topes [L. Wong y P. Shi, 2002] Se comienzan a utilizar escáneres como sistemas de adquisición y se desarrollan métodos de parametrización robustos a la distorsión de rotación. Los topes se hacen completamente innecesarios pero la utilización del escáner ralentiza el proceso de adquisición. Al mismo tiempo que se trabaja en sistemas basados en la geometría, se estudian sistemas basados en la palma de la mano [D. Zhang y J. You, 2003]. El siguiente paso lógico era la utilización de esquemas multimodales. Se desarrollan sistemas que fusionan la palma y la geometría [A. Kumar et al, 2003]. Surge también la textura de los dedos como otro rasgo a fusionar [M. A. Ferreret al, 2007]. La utilización de sistemas multimodales hace caer las tasas de error a niveles similares a los ofrecidos por sistemas basados en huellas dactilares. La identificación de personas a partir de rasgos biométricos es una realidad. Surge una pregunta, ¿La biometría de la mano es una 0 5 10 15 20 25 30 35 40 45 50 Número de patentes CAPÍTULO I: INTRODUCCIÓN [8] línea de investigación ya resuelta?, en caso negativo ¿Qué nuevos hitos pueden proponerse? 1.2. Nuevas líneas de investigación en biometría de la mano Nuevos problemas e hitos surgen buscando adaptarse a las diferentes aplicaciones y a los cada vez más exigentes usuarios. Surgen nuevos entornos como la identificación biométrica a través de dispositivos móviles o teléfonos. Aparecen nuevas técnicas o nuevas líneas de investigación como reconocimiento basado en huellas dactilares de alta resolución [A. Jain et al, 2006], uso de tecnología de adquisición 3D aplicada a la mano [D. Zhang et al, 2010], sistemas basados en la textura de dedos como nuevo rasgo [A. Kumar y Ch. Ravikanth, 2009] o aplicación de tecnología sin contacto [A. Morales et al, 2008] entre otras líneas emergentes. Se discute sobre que nuevos retos o tecnologías pueden mejorar las tasas de reconocimiento, la robustez, eficiencia y la aceptación por parte de los usuarios. En lo que respecta a los sistemas basados en la mano existen diferentes líneas emergentes en las que se trabaja en la actualidad. La utilización de nuevos sensores y sistemas de adquisición está cobrando especial relevancia en los sistemas que utilizan el patrón vascular como rasgo biométrico. La tendencia es abaratar costes y utilizar sistemas de adquisición cada vez más económicos. Se pasó de las cámaras CCD a los escáneres, en la actualidad se trabaja con simples cámaras web comerciales, alcanzando tasas de identificación similares a las de otros sistemas de adquisición más complejos y costosos. Una vez conseguidas figuras de calidad que permiten el uso de dichos dispositivos en aplicaciones reales, la comunidad científica ha comenzado a prestar más atención a importantes aspectos como la aceptabilidad por parte del usuario, mayor seguridad o menor tiempo de respuesta entre otros. Los sistemas de reconocimiento a distancia surgen como una solución a los problemas de higiene y rechazo por parte de ciertos sectores culturales. Se trababa en sistemas que eliminen la necesidad de contacto entre el usuario y el dispositivo [G. Zheng et al, 2007] [A. Morales et al, 2008]. Se trabaja en técnicas de reconocimiento de patrones robustas ante las distorsiones asociadas a la ausencia de una superficie de contacto. En lo que respecta a este documento nos referiremos a estos sistemas como sistemas biométricos sin contacto aunque recientemente es común encontrar en la bibliografía el término “a distancia”. En [N. Duta, 2009] se realiza un análisis desde el punto de vista de la industria de las líneas pasadas y futuras de biometría de la mano. Se establecen tres líneas fundamentales de futuro:  Diseño de sistemas de adquisición sin restricciones: donde se incluye la eliminación de topes o “pegs”, uso de diferentes sistemas de iluminación, sensores multimodales y medidas invariantes a la pose.  Nuevas formas de extracción de características: donde se incluyen nuevos clasificadores y extracción de características robusta. CAPÍTULO I: INTRODUCCIÓN [9]  Fusión de la tecnología basada en la forma de la mano con otras biometrías como la huella palmar. En el documento también se hace ver el desfase actual entre los sistemas propuestos en el ámbito de la investigación y los sistemas comercializados. Se alude a posibles problemas de coste debido a las altas necesidades de computación de las propuestas más recientes. La utilización de sensores de alta tecnología también es un aspecto que encarece y complica el salto de los sistemas del laboratorio a la calle. Se hace necesario por tanto investigar sin perder de vista la necesidad de proponer soluciones viables y con posibilidades de implantación más allá de su uso en laboratorios y centros de investigación. Existen grandes retos asociados a aspectos generales de los sistemas biométricos, la vulnerabilidad, escalabilidad o precisión son aspectos que distan mucho de estar solucionados. Así pues, la vulnerabilidad de los sistemas biométricos es materia de amplia discusión [J. Galbali, 2009]. La suplantación de identidad o la reemplazabilidad son aspectos en lo que aún se trabaja. La escalabilidad en lo que respecta a sistemas con órdenes de magnitud de cientos de millones de usuarios será estudiada en aplicaciones no forenses en el proyecto biométrico más ambicioso hasta le fecha comenzado en la India en el año 2010. Dicho proyecto incluye el registro de 1.2 billones de ciudadanos a partir de las biometrías de huella dactilar e iris. La aparición de múltiples sistemas y el desarrollo de nuevas tecnologías hacen necesaria la implantación de estándares de verificación y de normalización de los sistemas biométricos. Surgen comités de estandarización ISO/IEC JTC1/SC37 “Biometrics” a nivel europeo o su versión española AEN/CTN71/SC37 “Identificación Biométrica”. 1.3. La Tesis Los sistemas biométricos con contacto basados en rasgos de la mano han sido profundamente estudiados en los últimos 15 años. Se han alcanzado medidas de calidad tales como Tasas de Falsa Aceptación o Falso Rechazo que han permitido su utilización en entornos reales. Los sistemas biométricos sin contacto basados en mano surgen como nueva línea de futuro para mejorar la aceptabilidad de los sistemas basados en contacto. Los sistemas sin contacto presentan una serie de retos a resolver que hacen preguntarse si se podrán alcanzar parámetros de calidad similares a sus homólogos con contacto. El presente documento tratará de demostrar la siguiente hipótesis: Algunas de los retos a resolver en los sistemas sin contacto son: la segmentación en entornos no controlados y la extracción de características robustas a las distorsiones asociadas a la ausencia de una superficie de apoyo. En esta tesis se ha tratado de Es posible diseñar sistemas de identificación de personas mediante biometría de la mano sin contacto con figuras de mérito similares a los sistemas biométricos con contacto. CAPÍTULO I: INTRODUCCIÓN [10] resolver las diversas cuestiones a través del estudio y desarrollo de sistemas biométricos sin contacto propios y de terceros. Se han estudiado diferentes sistemas de adquisición basados en el espectro visible e infrarrojo y su aplicación en sistemas biométricos sin contacto basados en la mano para entornos operacionales. Se han desarrollado diversos prototipos de sistemas de identificación sin contacto con los que estudiar el comportamiento de diversas biometrías en éste tipo de esquema. La verificación se ha basado en la comparación de las técnicas propuestas tanto en bases de datos propias como de terceros. Otra línea emergente en sistemas biométricos es la del estudio de sistemas de detección de vida que doten de una mayor robustez frente a ataques. Una mayor robustez redunda en una mayor sensación de seguridad y credibilidad por parte del usuario, lo cual a su vez implica un aumento de la aceptabilidad. En esta tesis se proponen nuevos sistemas de detección de vida basados en el uso de sistemas multiespectrales y espectrográficos. 1.4. Contribuciones Los sistemas biométricos multimodales sin contacto basados en mano pueden ofrecer figuras de mérito cercanas a las ofrecidas por los sistemas con contacto. La fusión de diferentes rasgos extraídos de la palma [A. Morales et al, 2010] [A. Morales et al, 2011a Bajo Revisión] junto con rasgos geométricos [M. A. Ferrer y A. Morales et al, 2011c] permiten alcanzar figuras de mérito similares a las de los sistemas con contacto. Se ha probado el rendimiento de diferentes rasgos biométricos en esquemas sin contacto tanto en condiciones de laboratorio como en condiciones operacionales [A. Morales et al, 2009] [Marcos Faundez-Zanuy et al, 2010], con bases de datos propias y bases de datos públicas. Se proponen una serie de modificaciones sobre los métodos tradicionales de extracción de características para afrontar la problemática asociada a los sistemas sin contacto. Se ha trabajado con diferentes rasgos biométricos en condiciones con contacto para estudiar su posible utilización en esquemas sin contacto. En [M. Ferrer et al, 2007] [M. A. Ferrer y A. Morales, 2009] se estudiaron medidas geométricas y palmares con resultados prometedores que animaron a su utilización en un entorno sin contacto. Otros rasgos como los nudillos de los dedos [A Morales et al, 2011b] están pendientes de ser probados en un esquema sin contacto tras obtener prometedores resultados con contacto. Por el contrario, otras medidas como el patrón vascular [M. A. Ferrer et al, 2009] o los nudillos del dorso de la mano [A. Morales et al, 2007] [A. Morales et al, 2008] ofrecieron escasa robustez que desaconsejaba su utilización en un esquema sin contacto El rendimiento de los sistemas libres de topes puede equipararse al de los sistemas con topes [M. A. Ferrer et al, 2009] lo cual permite pensar en que problemas como la rotación o la traslación no serán claves en los esquemas sin contacto. Se propone el uso del espectro infrarrojo para posibilitar una segmentación precisa en entornos no controlados [A. Morales et al, 2007] [A. Morales et al, 2008]. La CAPÍTULO I: INTRODUCCIÓN [11] correcta segmentación permite utilizar la geometría como rasgo biométrico pero a su vez permite segmentar otros rasgos de la mano sin introducir más ruido en el sistema. La detección de vida a partir de imágenes multiespectrales [M. A. Ferrer y A. Morales, 2011a] e hiperespectrales [M. A. Ferrer y A. Morales, 2011b] se puede realizar sin necesidad de contacto con unas tasas de detección elevadas. Utilizando una base de datos propia con imitaciones de manos de diversos materiales sintéticos y orgánicos se comprueba como la fusión de la información de ambas tecnologías mejora las prestaciones de cada una por separado. 1.5. Índice de la Tesis El presente documento se ordena de la siguiente forma. En el Capítulo II se repasan los antecedentes y el estado del arte en biometría de la mano. Las propuestas se ordenarán según el rasgo biométrico utilizado y la necesidad o no de contacto. El capítulo finaliza con una revisión del estado del arte de sistemas de detección de vida. El Capítulo III estudia la problemática de la segmentación de la mano en entornos no controlados. Se repasan algunas de las principales técnicas de segmentación y se justifica la utilización del espectro infrarrojo como medio para lograr una segmentación robusta en entornos no controlados. En el Capítulo IV se expone el esquema básico de los sistemas biométricos sin contacto propuestos en este documento. Se hará un repaso por los principales módulos y se detallarán las bases de datos y metodologías utilizadas en la fase de experimentación. En el Capítulo V se estudiarán las características geométricas de la mano como rasgo biométrico aplicable a esquemas sin contacto. El capítulo detalla las medidas utilizadas y su extracción así como la experimentación y resultados obtenidos. En el Capítulo VI se estudiarán medidas palmares y su aplicación en esquemas biométricos sin contacto. Se trabajará tanto con medidas globales como locales y se comprobará el rendimiento de dichas medidas sobre diferentes bases de datos públicas y propias. En el Capítulo VII se propone estudiar las posibilidades que ofrece un sistema multimodal basado en las medidas geométricas y palmares propuestas en anteriores capítulos. La fase de experimentación se centra en comparar las prestaciones de los métodos de extracción de características ante la problemática asociada a esquemas sin contacto así como el rendimiento al fusionar a nivel de resultados. En el Capítulo VIII se proponen dos métodos de detección de vida basados en espectrografía y utilización de imágenes multiespectrales para finalizar en el Capítulo IX con las conclusiones y líneas futuras. CAPÍTULO II ANTECEDENTES Los sistemas biométricos basados en mano sin contacto son de reciente aparición, no existiendo demasiada bibliografía más allá del año 2007. Para desarrollar o estudiar sistemas biométricos sin contacto basados en la mano es útil estudiar primero las diferencias que existen entre éstos y los habituales sistemas con contacto. La ausencia de una superficie de apoyo introduce distorsión de proyección mientras que la ausencia de un fondo controlado complica la segmentación. La mano al estar suspendida en el aire puede producir adquisiciones borrosas. Distorsiones de rotación, traslación y escala están presentes en la mayoría de muestras. Pese a estas diferencias, las técnicas empleadas en sistemas sin contacto aunque no rompen con los sistemas existentes si precisan de una serie de consideraciones. La bibliografía acerca de sistemas biométricos con contacto es extensa y con más de 20 años de recorrido. Durante la elaboración de este documento se han estudiado las principales técnicas de identificación biométricas basadas en mano con la idea de estudiar su utilización en sistemas sin contacto. La figura 2.1 muestra el número aproximado de artículos relevantes por año en el campo de la biometría de la mano en los últimos 15 años. Para realizar la búsqueda se ha utilizado las bases de datos IEEE, AIP, IET, AVS, IBM, EURASIP y Academic Coogle. Excluyendo la huella dactilar, el primer rasgo de la mano estudiado fue la geometría. A medida que más grupos de investigación muestran interés por este campo se van reduciendo las tasas de error de los sistemas a la vez que se trabaja en sistemas cada vez más cómodos para el usuario. Así a los primeros sistemas con topes basados en geometría, les siguen sistemas libres de topes donde el usuario solo debe situar la mano sobre una superficie. El segundo rasgo en ser estudiado fue la palma de la mano. Poco tiempo después de empezar a trabajarse con la palma de la mano surgen los sistemas multimodales. La fusión de diferentes rasgos biométricos hace caer las tasas de error a niveles similares a los de los sistemas más robustos, huella dactilar e iris. El siguiente paso fue la eliminación de cualquier superficie de contacto. Se reduce al CAPÍTULO II: ANTECEDENTES [14] mínimo la interacción usuario-dispositivo, los sistemas sin contacto se plantean como dispositivos de alta aceptación por parte de los usuarios y como solución a los problemas de higiene. Dentro de los sistemas sin contacto cabe diferenciar entre aquellos en los que el fondo es controlado y aquellos en los que no lo es. Los que presentan un fondo controlado suelen utilizar un dispositivo en el cual el usuario introduce la mano, dentro del dispositivo las condiciones están controladas y tareas como la segmentación se vuelven triviales. Es la solución denominada como “caja negra”. Por el contrario los sistemas sin contacto para entornos no controlados (condiciones ambientales y de fondo desconocidas) presentan grandes retos a resolver. Partiendo de la idea de estudiar sistemas de alta aceptabilidad y de que los usuarios prefieren dispositivos lo más transparente posible al uso, el presente documento prima el desarrollo de sistemas biométricos sin contacto basados en mano para entornos no controlados. Figura 2.1. Evolución sistemas biométricos basados en mano En lo que respecta a detección de vida, la bibliografía es escasa y muy dispersa en cuanto a técnicas utilizadas. Se pueden encontrar trabajos basados en la detección de la frecuencia cardiaca, propiedades ópticas o elásticas de la piel e incluso conductividad de la misma. 2.1. Sistemas basados en la forma de la mano Las primeras publicaciones relevantes referentes a biometría de la mano datan del periodo entre 1997 a 2000 [Golfarelli et al, 1997], [A. Jain et al, 1999], [R. SanchezReillo et al, 2000]. Estos primeros sistemas estaban basados en imágenes del dorso de la mano y usaban como sistemas de adquisición sensores CCD que no superaban los 640x512 pixeles de resolución. El sistema propuesto por Golfarelli utilizaba retro iluminación para logra un mayor contraste entre mano y fondo mientras los sistemas 0 2 4 6 8 10 12 14 16 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 Número de publicaciones Años Geometría Palma Multimodales Sin Contacto CAPÍTULO II: ANTECEDENTES [15] de Jain y Sanchez-Reillo utilizaban iluminación directa sobre el dorso de la mano. Un espejo situado en un lateral con 45º de inclinación aportaba una visión lateral de la palma en los tres sistemas. La figura 2.2 muestra las diferentes imágenes capturadas con los sistemas. Figura 2.2. Entornos de aplicación para sistemas biométricos de los sistemas propuestos en [Golfarelli et al, 1997], [A. Jain et al, 1999] [R. Sanchez-Reillo et al, 2000] En estos primeros sistemas el correcto posicionamiento de la mano era fundamental. Dependiendo del sistema, el número y la colocación varían ligeramente. Por ejemplo se pasa de los 4 utilizados por Golfarelli a los 6 utilizados por SánchezReillo o los 5 de Jain. La disposición de los topes y su número además de influir en la comodidad del usuario, influyen en el rendimiento del sistema biométrico [M. Ferrer et al, 2008]. Como rasgos biométricos se extraían distancias entre puntos de la silueta que representan anchos y largos de los dedos así como medidas geométricas de la palma de la mano. Así, en el sistema de Golfarelli se extraían un total de 17 medidas, por las 16 del sistema de Jain y las 31 del sistema de Sanchez-Reillo. Los tres sistemas se asemejan en las etapas de adquisición y parametrización. Aunque los métodos de segmentación difieren entre los tres sistemas, en entornos tan controlados como los utilizados, no representa una etapa de especial dificultad. Es en la clasificación donde se encuentran algunas diferencias importantes. La clasificación propuesto por Jain se basa en la norma euclídea: CAPÍTULO II: ANTECEDENTES [22] Figura 2.6. Arriba imágenes palmares, en el centro la parte real de la imagen filtrada con Gabor, abajo la parte imaginaria de la imagen filtrada con Gabor, [D. Zhang et al, 2003]. Z. Sun propone la utilización de una combinación de filtros Gaussianos ortogonales, la técnica se denominada OLOF, Orthogonal Line Ordinal Features. Se simplifica trabajando con un problema biclase entre zonas claras y oscuras en la imagen. Entre las principales ventajas de este tipo de filtros es la robustez ante distorsiones intraclase como cambios de iluminación, ruido, translación y rotación. Un filtro Gaussiano puede definirse según la ecuación: donde corresponde a la orientación del filtro, a la escala horizontal y a la escala vertical. Z. Sun propone usar pares de filtros ortogonales según la ecuación: Buscando maximizar el contraste entre líneas de la palma, se utilizan 3 orientaciones diferentes , y , figura 2.7. En nuestros experimentos hemos usado unos valores de y . CAPÍTULO II: ANTECEDENTES [23] Figura 2.7. Filtros ortogonales para , y A diferencia del método anterior, en este caso se obtienen 3 mascaras por cada palma. El binarizado se hace utilizando un umbral fijo situado en cero. Como en el caso anterior, las máscaras se normalizan a un tamaño de 50x50 pixeles. Figura 2.8. Máscaras resultantes tras filtrar con , y Tanto la propuesta de D. Zhang como la de Z. Sun utilizan un clasificador basado en distancia normalizada de Haming. La propuesta de Wang rompe con las anteriores proponiendo utilizar el patrón vascular además de la textura palmar. Se añade una cámara con rango de trabajo en el infrarrojo cercano. Se ilumina la palma con luz visible e infrarroja y se capturan una imagen en cada espectro. Ambas imágenes se fusionan mediante un método basado en extracción de bordes a diferentes escalas presentado en [P. Scheunders, 2000], figura 2.7. - CAPÍTULO II: ANTECEDENTES [24] Figura 2.9. Primera columna imagen palmar en el espectro visible, en la segunda columna imagen en espectro infrarrojo, en la tercera columna fusión de las dos primeras imágenes, [P. Scheunders, 2000]. Para la clasificación proponen un método al que denominan Laplacianpalm basado en PCA. Este método muestra ciertas similitudes con otros métodos conocidos como Eigenpalm (T. Connie et al, 2004) y Fisherpalm (X. W. Wu et al, 2003). En cuanto a resultados, se utilizan bases de datos con más de 100 usuarios con tasas de error en los tres sistemas por debajo del 1%. Tabla 2.4. Resultados de los sistemas biométricos basados en textura palmar Sistema Tamaño Base de datos Resultados (%) D. Zhang et al, 2003; 386 (PolyU Database) EER=0.6 Z. Sun et al, 2005 100 (PolyU reducida) EER=0.22 J. Wang et al, 2008 120 EER=0.25 2.2.2. Sistemas basados en información local de la palma Los sistemas basados en información local de la huella palmar extraen medidas locales de la palma de la mano similares a las minucias a través de técnicas que no precisan de la resolución exigida por los métodos basados en minucias. En [G. S. Badrinath y Phalguni Gupta, 2009] se estudia la robustez del método de extracción de medidas denominado “Speed-up Robust Features, SURF”. Mediante SURF se extraen puntos altamente descriptivos basados en un estudio de los bordes presentes en la imagen. Los puntos de interés vienen caracterizados por vectores denominados descriptores que se extraen a partir de la matriz Hessian. Dado un punto en una imagen , la matriz Hessian en con escala queda definida por CAPÍTULO II: ANTECEDENTES [25] Donde , y representan la convolución de la derivada de segundo orden de la función Gaussiana utilizada , , con la imagen I en el punto P. Los puntos de interés se extraen en escala y espacio a partir de una vecindad de dimensiones y el método de supresión no máxima (“non-máximum suppression”). La extracción de la región de interés se realiza de forma similar a las comentadas anteriormente. La imagen de la palma en escala de grises es normalizada para hacerla más robusta a los cambios de brillo. De la imagen normalizada se extraen los descriptores según el método SURF, figura 2.8. Figura 2.10. Descriptores SURF localizados en una imagen de la palma de la mano [G. S. Badrinath y Phalguni Gupta, 2009] La clasificación se realiza en base a la distancia euclídea entre los vectores de descriptores. En la figura 2.9 se pueden observar dos ejemplos, las líneas de unión indican la correspondencia entre dos descriptores de cada imagen. Figura 2.11. Clasificación de parámetros SURF, arriba dos palmas del mismo usuario, abajo dos palmas de usuarios diferentes [G. S. Badrinath y Phalguni Gupta, 2009] CAPÍTULO II: ANTECEDENTES [26] El método fue probado con dos bases de datos públicas, una versión reducida de la PolyU y la IITK. La IITK fue desarrollada en el Instituto Tecnológico de Kampur, India y la componen 200 imágenes de 100 usuarios obtenidas mediante escáner. El método denominado “Scale Invariant Feature Transform, SIFT” [D. G. Lowe, 2004] también ha sido utilizado en biometría palmar con contacto [J. S. Chen y Y. S. Moon, 2008] y [G. S. Badrinath y Phalguni Gupta, 2008]. El método se basa en la generación de vectores de características que contengan la información del entorno de diferentes puntos de interés de la palma de la mano. El algoritmo para está estructurado en cuatro fases bien diferenciadas que se han adaptado al sistema propuesto: Scale-space extrema detection: La primera fase del algoritmo busca un primer conjunto de puntos de interés dentro de la imagen denominados keypoints. Se trabaja en un espacio obtenido como: donde el operador corresponde a la operación de convolución, es la imagen sometida a estudio y es una función Gaussiana con ancho de banda . Localización de puntos de interés (Keypoint localization): La segunda fase del método SIFT se centra en la búsqueda de cada punto de interés o keypoint. Para cada punto de interés encontrado, se almacena la información referente a la escala y octava a la que pertenece, y su posición dentro de la imagen. Los keypoints serán localizados a partir de los máximos y mínimos de una aproximación del Laplaciano Gaussiano llamada función de diferencias Gaussianas, según la ecuación: Asignación de orientaciones (Orientation assignment): este apartado se encarga de caracterizar cada keypoint según el módulo y la orientación del gradiente. Es en esta etapa donde se consigue la invarianza ante la rotación. En el sistema propuesto se utilizan hasta un total de 16 posibles orientaciones diferentes para cada punto de interés. Para una imagen , la magnitud del gradiente , y su orientación , son procesadas usando las ecuaciones: Descriptores de los puntos de interés (“Keypoint descriptor”): se crea un descriptor para cada punto de interés que contenga información local del gradiente de la región donde se encuentra. Cada descriptor contiene información sobre la orientación de los píxeles que rodean al keypoint. A su vez, cada punto de interés tiene su propio CAPÍTULO II: ANTECEDENTES [27] descriptor, por lo que el mapeado final nos mostrará los diferentes descriptores asignados a cada uno de ellos. Dos imágenes quedan definidas por los conjuntos de descriptores y , donde y representan el número de puntos de interés. Un descriptor contiene información acerca del gradiente de una región alrededor de cada punto de interés. Para calcular el grado de similitud entre dos descriptores y se calcula la norma Euclídea entre los componentes de ambos vectores. Si la distancia es menor a 1.5 (valor por defecto de la propuesta de Lowe) se considera que los dos descriptores coinciden. donde y son el número de descriptores de y respectivamente y es la norma Euclídea. El resultado de clasificación corresponderá al número total de coincidencias entre dos imágenes. En la figura 2.12 se observan diferentes resultados de clasificación para imágenes de usuarios genuinos e impostores. Las imágenes han sido procesadas para obtener un mejor contraste entre líneas primarias y secundarias. Las líneas verdes indican coincidencias entre dos puntos de cada imagen. Figure 2.12. A la izquierda coincidencias entre descriptores de usuarios genuinos, a la derecha coincidencias entre descriptores de usuarios impostores El método SIFT se muestra como un método más robusto que SURF debido a que éste último prima la baja carga computacional en relación a la robustez. Los pobres resultados obtenidos por G. S. Badrinath y Phalguni Gupta utilizando SIFT no fueron argumentados en su publicación. La tabla 2.5 muestra una comparativa de los resultados obtenidos con los diferentes métodos basados en información local. CAPÍTULO II: ANTECEDENTES [28] Tabla 2.5. Resultados de los sistemas biométricos basados en información local de la palma Sistema Características Tamaño Base de datos Resultados (%) G. S. Badrinath y Phalguni Gupta, 2009 SURF 200 (PolyU reducida) FAR=0, FRR=0 G. S. Badrinath y Phalguni Gupta, 2009 SURF 100 (IITK) FAR=0.02 FRR=0 J. S. Chen y Y. S. Moon, 2008 SIFT 386 (PolyU Database) EER=2.5% G. S. Badrinath y Phalguni Gupta, 2008 SIFT 386 (PolyU Database) FAR=3.25 FRR=7.88 G. S. Badrinath y Phalguni Gupta, 2008 SIFT 100 (IITK) FAR=0.02 FRR=0.62 2.3. Sistemas multimodales Una vez desarrollados sistemas basados en diferentes rasgos biométricos, el siguiente paso lógico es la fusión de los mismos a partir de una misma imagen de la mano. Los sistemas multimodales mejoran las tasas de identificación y añaden robustez al sistema frente a ataques basados en la réplica del patrón biométrico. Muchos rasgos biométricos que incluyen huella dactilar [R.K. Rowe et al, 2007], cara [X.Y. Jing et al, 2007] e iris [X. Wu et al, 2007] se han combinado con texturas palmares, tanto a nivel de resultado como a nivel de representación. En este documento vamos a prestar atención a los sistemas propuestos en [A. Kumar et al, 2003], [M. Ferrer et al, 2009]. El sistema propuesto por Kumar utiliza una cámara CCD como sistema de adquisición. Para realizar la captura, el usuario apoya el dorso de la mano sobre una superficie homogénea de color negro. El sistema utilizaba como rasgos biométricos la geometría de la mano y la textura palmar. En la geometría no se introduce ninguna novedad respecto a lo visto anteriormente, se extraen 16 medidas referentes a anchos y largos de los dedos y palma. Para extraer información de la palma de la mano primero se filtra a partir de 4 filtros direccionales con ángulos y Las 4 imágenes resultantes se combinan por votación a escala de grises, ecuación: La imagen resultante es dividida en bloques, la desviación estándar de los niveles de grises en cada bloque se utilizará como vector de características, figura 2.11. CAPÍTULO II: ANTECEDENTES [29] Figura 2.13. A la izquierda la imagen resultante de la combinación de los 3 filtros direccionales, a la derecha la desviación estándar de cada uno de los bloques en los que se divide la imagen, [A. Kumar et al, 2003] Como clasificador se utilizó la medida se similitud entre dos vectores y definida por la ecuación Por su parte, el sistema propuesto en [M. Ferrer et al, 2009] utiliza como rasgos biométricos la geometría, la textura palmar, la textura de los dedos y el patrón vascular del dorso de la mano. La base de datos utilizada es una base de datos quimérica basada en 100 usuarios de la GPDSHand (adquirida con escáner) y una base de datos del dorso de la mano en infrarrojo de 100 personas de las que se extrae el patrón vascular [M. Ferrer et al, 2009]. Como parámetros geométricos se extraen 15 medidas basadas en largos y anchos de los dedos. Para la textura palmar, textura de dedos y patrón vascular se utiliza un filtrado de Gabor 2D similar al propuesto en [D. Zhang et al, 2003]. En la figura 2.12 se muestran 3 ejemplos de máscaras generadas para cada biometría Figura 2.14. Primera columna textura palmar, en la segunda columna textura de dedos y en la tercera columna patrón vascular, [M. Ferrer et al, 2009] Como clasificador se utilizó las Máquinas de Soporte Vectorial (SVM) para la geometría y distancia de Hamming normalizada para las máscaras de textura. Los resultados de los sistemas multimodales expuestos se pueden ver en la tabla 2.6. También se incluyen otros ejemplos de sistemas multimodales basados en geometría y palma con propuestas similares. CAPÍTULO II: ANTECEDENTES [30] Tabla 2.6. Resultados de diferentes sistemas multimodales Sistema Características Tamaño Base de datos Resultados (%) Geometría Silueta Palma Dedos A. Kumar et al, 2003 X X 100 FAR=0, FRR=1.41 S. Ribaric et al, 2003 X X 130 FAR=0, FRR=0.2 Kumar y D. Zhang, 2004 X X 100 EER=0.6 S. Ribarid y I. Fratric, 2005 X X 237 EER=0.58 M. Ferrer et al, 2009 X X X 100 EER<0.01 Un aspecto importante en los sistemas multimodales es la fusión de resultados. En este documento se destacarán dos publicaciones que recogen el estudio de diferentes técnicas de fusión en sistemas biométricos [A. Jain et al, 2005] [J. Fierrez-Aguilar et al, 2005]. En las publicaciones se recogen técnicas de fusión a nivel de sensores, de características, de resultados y de decisión. En la literatura la fusión más habitual es la realizada a nivel de resultados, siendo el hábito generalizado usar técnicas simples como la suma ponderada, normalización basada en min/max o z-score entre otras. 2.4. Patentes y productos comerciales asociados a la biometría de la mano. Existen patentes biométricas basadas en la geometría de la mano desde los años 60. Aunque estos sistemas difieran bastante de los que existen actualmente, si comparten el mismo principio de identificación, y es que utilizan como rasgo identificador del usuario características tales como medidas de ancho y longitud tanto de la mano como de los dedos. La principal diferencia es la forma de captura de dichas medidas sistemas de captura. Algunos ejemplos de las primeras patentes son [R. P. Miller, 1971], [Norman G. Altman, 1971], [I. H. Jacoby et al, 1972], [Marlow D. Butler, 1980], [Eduard Menoud, 1987]. Las medidas se obtenían a partir de sistemas de muelles o a partir de escáneres eléctricos y ópticos, ver figura 2.13. CAPÍTULO II: ANTECEDENTES [31] Figura 2.15. Ejemplos de primeras patentes de sistemas biométricos basados en la mano, [R. P. Miller, 1971], [I. H. Jacoby et al, 1972] Dando un salto en el tiempo nos encontramos con que en 2001 Thomas F. Sartor [Thomas F. Sartor, 2001] patenta un sistema para capturar imágenes de la superficie de la mano. Para tomar la imagen, se coloca la mano sobre una superficie de contacto convexa, guiando la mano en contacto fijo con la superficie para que el detector, mediante el uso de luz, genere una señal que señal representativa de las características de la parte de la superficie palmar expuesta. Figura 2.16. Sistema óptico patentado por Thomas F. Sartor, [Thomas F. Sartor, 2001] En [A. Yukihiro, 2005] se patenta un sistema de identificación multimodal con modulo de detección de vida. El sistema adquiere información de distintas biometrías de la mano, tales como huella dactilar, patrón de venas o huella palmar. La detección de vida se basa en la detección de segregación de fluidos corporales como el sudor, grasa. Las patentes más recientes encontradas corresponden [Masanori Mizoguchi, 2007], [Hitoshi Fujii y Naoki Konishi, 2007]. La primera es una patente que divide la palma en tres regiones para conseguir así cierta robustez ante distorsiones y errores de CAPÍTULO II: ANTECEDENTES [38] de fácil uso y difícil falsificación. PalmSecure se ha utilizado en un amplio rango de mercados, incluyendo seguridad, servicios financieros, sanidad, empresas comerciales y acceso físico a distintas áreas de seguridad. Figura 2.26. Sistema Palmsecure de Fujitsu No se han encontrado estudios o documentos científicos que muestren el rendimiento del sistema Palmsecure más allá de la publicidad que ofrece Fujitsu. 2.6. Sistemas de detección de vida Los sistemas biométricos son vulnerables a ataques externos, lo cual disminuye su nivel de seguridad [Javier Galbally et al, 2007], [P. V. Reddy et al, 2008]. Entre los diferentes métodos para aumentar la seguridad de los sistemas se encuentra la detección de vida. Detectar si la medida biométrica que se analiza pertenece a un ente vivo permitiría descartar gran número de ataques basados en suplantación de identidad mediante réplica. La detección de vida es un método con el que se persigue determinar si el objeto bajo estudio corresponde a una fuente viva o no. A diferencia de los sistemas biométricos presentados en apartados anteriores, la detección de vida es un campo muy poco estudiado aún. No existen grandes sistemas de referencia y las opciones son múltiples. En [Marcos Martinez Diaz, 2006] se exponen diferentes técnicas de detección de vida según el rasgo biométrico utilizado. Ordenándolas según se requiera contacto o no se podrían clasificar como Rasgos que requieren contacto:  Propiedades físicas de la piel (elasticidad, capacitancia,…): [R.Capelli et al, 2001] proponen un sistema de detección de vida basado en el hecho de que la presión del dedo sobre la superficie del sensor no es homogénea sino que decrece desde el centro hacia los bordes. Se ha demostrado que existen materiales sintéticos con similares características físicas a la piel [A. Antonelli et al, 2006], lo cual resta robustez a estas propuestas. En [M.C.Crihalmeanu, 2003] se propone un sistema basado en fotoplestimografía (de utilidad para medir el flujo sanguíneo), técnica que aunque no precise de contacto conceptualmente, se implementa con dispositivos que se lo requieren. En [M. Drahansky et al, 2008], se plantea la resistencia y la temperatura de la piel para la detección de vida. Según este CAPÍTULO II: ANTECEDENTES [39] estudio, para los intervalos *20kΩ - 2MΩ+ y *21,5°C - 35,7°C], estas características no son idóneas para la detección de vida. Estos rangos son muy amplios y pueden ser cubiertos también por dedos falsos. Otra propuesta relacionada con éste tipo de técnicas es la presentada en [Y. S. Moon et al, 2005].  Medidas eléctricas: se estudia la conductividad o la impedancia de la piel para determinar si realmente se está introduciendo una huella real o no. Estos parámetros son muy variables, por lo que obtener un modelo sobre los mismos es complicado. Otro parámetro es el electrocardiograma, cuyos resultados son más fiables, aunque es posible crear huellas de silicona muy finas que colocadas en un dedo real provoquen que se detecte el pulso del impostor.  Transpiración: esta característica depende, enormemente, de las condiciones externas y del estado de la piel. El método requiere de condicionantes tales como que el grado de humedad del dedo en el momento de la captura sea muy bajo así como unas condiciones de entorno muy estables.  Pulso: se estudian los pequeños movimientos involuntarios que se producen en el dedo cuando se apoya en la superficie del sensor. Rasgos que no requieren contacto  Color: en [V. Vezhnevets et al, 2003] se propone un sistema de detección de vida basado en modelado estadístico del color de los píxeles de piel en el plano RGB. En [S.L. Phung et al, 2005] se propone un sistema similar pero utilizando el plano de color YIQ. El problema de estos sistemas no se encuentra tanto en el falso rechazo (5%), sino en la falsa aceptación (30%). Si además tenemos en cuenta la variabilidad del color y su dependencia hacia las condiciones ambientales, no se puede considerar este tipo de técnicas como una técnica robusta.  Luz (espectroscopia): se estudia la curva de reflectancia obtenida por la reflexión de la luz sobre la piel. En [D. Pishva, 2007] se propone usar reflectancia en la banda de 300nm-1100nm para detectar vida y realizar la identificación biométrica. La idea de utilizar índices obtenidos a partir de la combinación de imágenes en diferentes bandas espectrales se desarrolló en [A. S. Nunez y M. J. Mendenhall, 2008+. Se propone un índice denominado “normalized difference skin index (NDSI)” obtenido de la combinación de imágenes en las bandas de 1100nm y 1400nm.  Oximetría: mide la oxigenación de la sangre. En [P. Venkata Reddy et al, 2008] se propone un sistema sin contacto basado en la adquisición de dos señales, una en el infrarrojo cercano (850 nm) y otra en la banda del rojo (700 nm). A partir de un modelo matemático defino por la composición de las distintas capas de la piel calculan el nivel de oximetría de la piel. Es una técnica similar a la espectroscopia o la fotoplestimografía presentada con anterioridad, pero en este caso no se precisa de contacto. [M. Drahansky et al, 2005] presenta una propuesta similar basada en el estudio del flujo sanguíneo.  Temperatura: se utilizan imágenes infrarrojas en la que se observan cambios de temperatura corporales. A diferencia de la oximetría que se puede obtener estudiando bandas en torno a los 1400nm, para la temperatura se precisan cámaras con un rango espectral mayor. CAPÍTULO II: ANTECEDENTES [40]  Olor: En [D. Baldisserra et al, 2006] sugieren el uso del olor de la piel y sus más de 300 componentes volátiles para la creación de un modelo estadístico.  Interactividad: se recurre a cierto grado de interactividad entre el usuario y el sistema ante estímulos o similares. En [M. Kanematsu et al, 2007] se recurre a la variación del brillo del iris provocado por el reflejo de la pupila. En [Gang Pan et al, 2008] propone la detección del parpadeo para saber si la cara que se está intentando identificar es una fotografía o no. Publicaciones similares utilizan diferentes focos de luz orientadas hacia la cara para así estudiar la aparición o no de sombras, lo cual sería un indicativo de estar ante una imagen 2D. Aunque no se han encontrado referencias de este tipo de sistemas aplicado a manos, se podrían aplicar teniendo en cuenta las diferentes características u opciones que ofrece la mano. Un ejemplo podría ser la petición al usuario de que abra y cierra la mano momentos antes de realizar la identificación biométrica. Como se puede observar, la mayoría de contribuciones pertenecen a la última década. Se trata de un área emergente en la que aún queda campo por explorar. Fruto de esta falta de un sistema referente, en 2009 se realizó una competición relacionada con la detección de vida aplicada a sistemas basados en huellas dactilares [LivDet, 2009]. Al ser el rasgo biométrico más estudiado y con mayor presencia en el mercado, buena parte de las publicaciones en este campo están relacionadas con la huella dactilar y muy poco trabajadas en otras biometrías. 2.7. Aportaciones Se han repasado los principales sistemas biométricos basados en la mano. Llegados a este punto se quiere establecer un “baseline” a partir del cual poder situar las propuestas realizadas en este documento dentro del estado-del-arte. La mayoría de aportaciones científicas expuestas en apartados anteriores basan sus resultados en bases de datos propias, por ello se hace difícil poder comparar y establecer valores de error medios. Se propondrá un “baseline” según el rasgo biométrico implicado y se recurrirá a la “Regla del 3” [J. Hanley y A. Lippman-Hand, 1983] para intentar establecer un valor lo más subjetivo posible. La “Regla del 3” aparece para intentar estimar errores cuando no se dispone de un gran número de datos experimentales. La regla establece que el mínimo error estadísticamente confiable al 95% para un número de comparaciones independientes se obtiene a partir de la ecuación: Por tanto, con 300 comparaciones independientes sin error, se puede “establecer” al 95% de confiabilidad un error de un 1%. Con los errores de los sistemas basados en geometría y a partir de las bases de datos utilizadas, establecemos un “baseline” de EER entre 0.4-0.6%. Para obtenerlo nos hemos fijado en los trabajos [M. Ferrer et al, 2007] y [M. Adán et al, 2008]. En [M. CAPÍTULO II: ANTECEDENTES [41] Ferrer et al, 2007] se reporta un error cercano al 0.2% con una base de datos de muestras independientes. El número de muestras nos lleva a un error mínimo confiable cercano al 0.27%. Por otro parte, en [M. Adán et al, 2008] aunque se muestra un error considerablemente mayor (FAR=0.45% y FRR=3.4%), se hace uso de una base de datos con 470 usuarios, lo que hace más confiable al error. Se decide por ello situar el “baseline” algo por encima del 0.27%. Procediendo de igual forma para palma y basándonos en los trabajos [D. Zhang et al, 2003], [Z. Sun et al, 2005] y [G. S. Badrinath y Phalguni Gupta, 2009] en los que se utilizan distintas versiones de la base de datos PolyU con 386, 100 y 200 usuarios respectivamente. Se estable un “baseline” para el EER de 0.2-0.4%. En lo que respecta a sistemas multimodales se utilizan como referencia los trabajos *S. Ribarid y I. Fratric, 2005+ y *M. Ferrer et al, 2009+ con EER del 0.58% y 0.01% y bases de datos de 130 y 100 usuarios respectivamente. Teniendo en cuenta las diferencias de tamaño de las bases de datos, se estable un “baseline” entorno al 0.050.15%. Los tres “baseline” propuestos son subjetivos y buscan establecer unos errores a partir de los cuales poder conocer en que margen se mueven las prestaciones de cada rasgo biométrico. Los resultados dependen en gran medida de la base de datos utilizada, primando en la literatura bases de datos adquiridas en condiciones de laboratorio y siendo escasas las operaciones CAPÍTULO III SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS Segmentar la mano en entornos controlados puede ser una tarea trivial. En lo que respecta a entornos reales, aún quedan retos que afrontar. Un ejemplo de la actualidad del tema es la competición “HGC2011 - Hand Geometric Points Detection Competition”, una competición en la que se buscan los mejores algoritmos de segmentación y detección de puntas y valles en imágenes de la mano adquiridas con escáner. Segmentar la mano en entornos en los que el fondo y las condiciones ambientales son una incógnita no es una tarea trivial. Algunos investigadores proponen soluciones sencillas basadas en la utilización del color de la piel [J. Ruiz-del-Solar y R. Verschae, 2004], otros proponen utilizar clasificadores no supervisados para modelar la piel en base a su distribución de colores [M. Jones y J. M. Rehg, 1999], otras propuestas giran en torno al uso de algoritmos de segmentación con largo recorrido como los K-Medias [A. de Santos Sierra et al, 2009]. En éste capítulo se pretende evaluar la utilidad de diferentes métodos de segmentación propuestos en la literatura para extraer la mano en imágenes adquiridas en un esquema sin contacto. Las limitaciones de estos métodos justifican la inclusión de la banda de infrarrojos para extracción precisa del contorno de la mano propuesta al final del capítulo y utilizada en los sistemas biométricos propuestos en esta tesis. La figura 3.1 muestra una mano adquirida en un entorno no controlado y el histograma de la imagen en escala de grises obtenido a partir de ella. La transformación de la imagen a color RGB a escala de grises se realizó a partir de una suma ponderada de las tres componentes de color . CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [44] Figura 3.1. A la izquierda, imagen de la mano en entorno no controlado; a la derecha, histograma de la imagen. Se observa la dificultad a la hora de separar la mano de otros elementos presentes en la imagen a través del histograma. La camisa y otras regiones del cuerpo presentan tonalidades similares a la piel de la mano. En la figura 3.2 además de la segunda mano actuando como objeto interferente vemos un escenario con mayor nivel de luminosidad. Figura 3.2. A la izquierda, imagen de la mano con objeto interferente, y a la derecha histograma de la imagen. En este caso la segmentación se hace complicada incuso para el ojo humano. Se hace necesario estudiar el rendimiento de los principales métodos de segmentación para su utilización el escenario propuesto. 3.1. Métodos de segmentación Se implementarán algunas de las principales técnicas de segmentación para su aplicación en imágenes adquiridas en entornos no controlados. Atendiendo a la metodología utilizada en la segmentación [S. Raut et al, 2009], las técnicas de segmentación utilizadas en el presente documento se dividen en:  Basadas en umbral: este tipo de técnicas suele emplearse en imágenes en escala de grises. Para una imagen se asume la existencia de dos clases fondo y primer plano. Cualquier pixel que satisfaga se considerará objeto, de lo contrario se considerará fondo. Por tanto, la correcta elección de CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [45] determinará el rendimiento de este tipo de algoritmos. Como ejemplo de éste tipo de técnicas, en el presente documento se ha empleado el método Otsu [N. Otsu, 1979]. También se podría incluir en esta categoría los métodos de detección de piel, los cuales en lugar de utilizar un umbral , utilizan varios umbrales y diferentes reglas para estimar si cada pixel pertenece o no al objeto piel u objeto fondo.  Basadas en regiones: éstas técnicas se basan en la búsqueda de diferentes clases a partir de la información extraída del histograma de una imagen. En el caso de imágenes en color se pueden utilizar histogramas en 3 dimensiones a partir de las componentes RGB. El éxito de este tipo de técnicas radica en la correcta separación de las clases. Como ejemplo de éste tipo de técnicas, en el presente documento se ha empleado el método de k-medias [MacQueen, 1967].  Basadas en detección de bordes: ésta técnica se basa en la búsqueda de discontinuidades en los niveles de gris de una imagen. La primera y segunda derivada del gradiente y la laplaciana son algunas de las técnicas usadas para detectar discontinuidades significativas. Los bordes en una imagen se pueden dividir en bordes por cambios de intensidad y bordes por cambios de textura. Como ejemplo de éste tipo de técnicas, en el presente documento se ha empleado el método de detección de bordes basado en cambios de intensidad de Canny [John Canny 1986].  Basada en ajuste de curvas: estas técnicas precisa de una inicialización en forma de semillas las cuales evolucionan y se adapta a las diferentes regiones de interés a segmentar. La adaptación se puede realizar en base a técnicas muy dispares entre sí como puede ser la aplicación de algoritmos de clasificación o modelado, por ejemplo vecinos más cercanos y métodos estadísticos, o adaptación de curvas a través de funciones definidas por el gradiente de la imagen entre otras. Como ejemplo de éste tipo de técnicas, en el presente documento se ha empleado el método “level set” [C. Li et al 2009]. Para comparar los métodos de segmentación se utilizarán dos imágenes capturadas en entornos no controlados, figura 3.3. La diferencia entre ambas imágenes reside en el fondo y los objetos interferentes que presentan. Las imágenes se pueden catalogar como imagen adquirida en un entorno amigable e imagen en un entorno hostil. El funcionamiento de los diferentes métodos en el entorno hostil nos dará la verdadera medida de su utilidad. CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [46] Figura 3.3. Imágenes utilizadas para probar los métodos de segmentación. A la izquierda imagen de mano en entorno amigable; a la derecha imagen en entorno hostil Antes de empezar con los métodos de segmentación propuestos comentar que diferentes publicaciones relacionadas con segmentación de la mano [Xiaoming Yin y Ming Xie, 2001], [A. de Santos Sierra et al 2009] recomiendan el uso del espacio de colores CIE 1976 L*a*b en lugar del tradicional RGB. En este espacio de colores, las diferencias de tonalidad están más asociadas a cambios en la intensidad y no tanto al color. Salvo el método de segmentación basado en el color, los diferentes métodos presentados en próximos apartados han sido probados usando tanto el espacio RGB como el espacio CIE 1976 L*a*b no habiéndose observado grandes diferencias con las dos imágenes de prueba utilizadas. Los resultados mostrados en forma de figuras corresponden a los obtenidos utilizando el espacio de color CIE 1976 L*a*b. 3.1.1. Método Otsu El método Otsu [N. Otsu, 1979] es un método de segmentación basado en la umbralización de imágenes en escala de grises. Como método basado en la asignación de cada pixel a la pertenencia de un grupo o no, se basa en la búsqueda de un valor óptimo a partir del cual realizar dicha agrupación. Se calcula un umbral a partir del que realizar el binarizado de forma que la dispersión dentro de cada grupo sea lo menor posible. Al mismo tiempo se busca que la dispersión entre los diferentes grupos sea lo más alta posible. Para ello se calcula el cociente entre ambas varianzas y se busca un valor umbral para el que este cociente sea máximo. Como punto de partida se toman dos regiones ( y ), que serán definidos a partir del valor umbral a calcular. es la variable a definir mientras que los dos segmentos son el resultado deseado en la segmentación. Sea la probabilidad de ocurrencia del valor de gris 0 < < G, siendo G el valor de gris máximo. Entonces la probabilidad de ocurrencia de los pixeles en los dos segmentos es: CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [47] Si tomamos dos segmentos (o sea un solo valor umbral) la suma de estas dos probabilidades dará 1. El valor umbral t se elige de manera que el cociente entre varianza intraclase y varianza interclase sea máximo. De esta forma se elige un valor umbral que optimiza los dos segmentos en términos de variancia. La figura 3.4 muestra el resultado de aplicar el método Otsu a las dos imágenes de prueba propuestas en apartados anteriores. Los umbrales obtenidos para cada imagen fueron 102 y 104 (en una escala de 0 a 255 niveles de gris) en las imágenes en entorno amigable y entorno hostil respectivamente. Figura 3.4. Resultados obtenidos en las imágenes de prueba a partir del método Otsu 3.1.2. Segmentación a partir del color de la piel Este tipo de algoritmos se basa en la utilización de información asociada al color. Para que el método funcione correctamente se debe asumir que en la imagen a segmentar no aparecen objetos con un color similar al de la piel. Ésta presunción resulta el primer punto débil del método. La segunda debilidad del método viene del hecho de que la piel no presenta las mismas tonalidades cuando se trabaja en entornos no controlados. Dependiendo de la cantidad de luz, de donde provenga ésta y de la configuración del dispositivo de captura se obtienen diferentes tonalidades de la piel. Por último debemos tener en cuenta que no todas las personas presentan un color similar de piel. Pese a sus debilidades, los métodos basados en segmentación del color de la piel pueden resultar de utilidad en entornos semi-controlados o no demasiado hostiles. El método utilizado para construir un clasificador de piel consiste en definir específicamente los límites de la región correspondiente al color de la piel, a través de reglas numéricas. Este método es aplicable en diferentes espacios de color. En [P. Peer et al. 2003] se proponen las siguientes reglas para detectar piel en una imagen en RGB. El pixel ( se considerará piel si se cumple que: CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [48] para una imagen de entrada y siendo y 3 las componentes Rojo, Verde y Azul respectivamente en la imagen. La simplicidad de este método atrajo el interés de muchas investigadores [P. Peer et al. 2003], [J. Ahlberg 1999], [M. Fleck et al.2002]. La ventaja se encuentra en la simplicidad de las reglas de detección de piel que permiten la clasificación rápida. La principal desventaja de este método es la ya comentada falta de robustez. La figura 3.5 muestra los resultados de aplicar el método de segmentación de piel basado en el color a nuestras dos imágenes de prueba. Figura 3.5. Resultados obtenidos en las imágenes de prueba a partir del método basado en color de la piel Las reglas propuestas en [P. Peer et al. 2003] se pueden adaptar a nuestra imagen en entorno hostil buscando reducir los falsos positivos. Hemos redefinido las reglas como: El resultado se puede ver en la figura 3.6. CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [55] Se reduce el dominio de trabajo de visible a infrarrojo cercano en la banda 850nm1000nm. Iluminando la mano de forma directa con luz en esta banda y configurando la cámara de forma correcta (bajo tiempo de exposición y altos niveles de contraste y ganancia), se podría conseguir un gran contraste entre el objeto iluminado en primer plano y el resto de objetos en la escena, figura 3.13. Figura 3.13. Arriba escena captada en la banda visible. Abajo, misma escena pero en banda infrarroja. Estas imágenes son fácilmente obtenidas adaptando la webcam al infrarrojo y añadiendo un sistema de iluminación en la banda infrarroja. Se abandona el concepto de segmentación basada en mano y fondo y se pasa a un concepto de segmentación basado en objeto en primer plano y fondo. La luz infrarroja incide sobre el objeto en primer plano (la mano), aumentando el grado de luminancia de la misma respecto al fondo. Reduciendo el tiempo de exposición de la cámara y debido a la sobreexposición a la que se somete la mano se consigue aumentar el contraste entre mano y fondo. Este principio funcionará siempre que la iluminación interferente sea inferior a la iluminación aportada por el sistema. Los dispositivos de adquisición (webcams) se pueden configurar para trabajar dentro de un margen de operatividad. Fuera de este margen el rendimiento decrecerá notablemente. La figura 3.14 expone esta idea de forma gráfica. CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [56] Figura 3.14. A la izquierda escenario en el cual la iluminación interferente no hace al sistema salirse del margen de trabajo. A la derecha escenario en el que una alta iluminación interferente saca al sistema de su margen de trabajo. Un entorno con iluminación interferente de elevada potencia como el sol nos haría salir fuera del margen de trabajo. Es por ello que el sistema está pensado para su utilización en espacios cerrados (indoor) y no para su uso en exteriores. La principal desventaja de trabajar en la banda infrarroja es el escaso contraste que muestra la palma de la mano en esta banda. Se abre la posibilidad de utilizar el patrón vascular de la palma pero la configuración utilizada para facilitar la segmentación, hace muy poco visible el mismo. La figura 3.15 muestra algunos ejemplos de capturas con el dispositivo. Por otro lado, como ya se ha expuesto antes, la alta dependencia del patrón vascular ante las condiciones ambientales hace que no se decida profundizar en esa línea. Figura 3.15. Adquisiciones en el espectro infrarrojo La utilización del espectro infrarrojo y la correcta configuración de la cámara hacen que la fase de segmentación sea trivial. Se ha conseguido pasar de un entorno no controlado a un entorno donde se tiene cierto grado de control. Se ha reducido al mínimo la incidencia del fondo a la hora de realizar la segmentación por lo que para llevarla a cabo no se precisa de métodos computacionalmente pesados. Basta con aplicar cualquiera de los métodos de segmentación propuestos con anterioridad. Por 0 20 40 60 80 100 Tiempo Intensidad Iluminación Interferente Margen de Trabajo Sistema de Iluminación Sistema de iluminación + Interferente 0 20 40 60 80 100 Tiempo Intensidad Sistema de iluminación + Interferente Margen de Trabajo Sistema de Iluminación Iluminación Interferente CAPÍTULO III: SEGMENTACIÓN DE LA MANO EN ENTORNOS NO CONTROLADOS [57] su simplicidad, para el sistema propuesto se ha utilizado el método de binarizado de Otsu, figura 3.16. Figura 3.16. Imágenes binarizadas a partir de adquisiciones en infrarrojo Una solución similar ha sido probada y utilizada por otro grupo de investigación [Yufei Han et al, 2007] con resultados prometedores en bases de datos en condiciones controladas. 3.3. Aportaciones Se han probado 5 métodos de segmentación con características diferentes y se han propuesto dos entornos de experimentación basados en la dificultad o complejidad que entrañan para realizar la tarea requerida, en este caso, segmentación. En este documento no se quiere descartar el uso de imágenes en el espectro visible en sistemas biométricos sin contacto. Se hace hincapié en la dificultad de obtener una segmentación precisa cuando se trabaja en el dominio visible, obteniendo rendimientos muy diferentes dependiendo del entorno en el que se utilice. Se propone el uso del espectro infrarrojo para conseguir una mayor robustez en la etapa de segmentación. Se pasa de trabajar en un medio no controlado a trabajar en uno semi-controlado. Se consigue una segmentación independiente del fondo y robusta a cambios de iluminación. CAPÍTULO IV ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO Los sistemas biométricos propuestos en este documento obedecen al esquema mostrado en la figura 4.1: Figura 4.1. Esquema de los sistemas biométricos propuestos en este documento Como se puede observar las principales etapas se dividen en:  Adquisición: la adquisición es un punto crucial en los sistemas propuestos en este documento. Dependiendo la naturaleza del sistema de adquisición, las tareas de segmentación y parametrización cambian radicalmente. En CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [60] esta etapa incluimos también la segmentación como parte del preprocesado a realizar antes de extraer las características biométricas.  Parametrización: en esta etapa se extraen las características que diferenciarán a cada usuario. Dependiendo del rasgo biométrico o la banda espectral en la que se trabaje se extraerán unas medidas u otras.  Clasificación: en esta etapa se distinguen dos modos de funcionamiento. El entrenamiento, en el que a partir de los vectores de características de un usuario se crea un modelo que lo caracterice. Y verificación, en la que a partir de un modelo de un usuario y un vector de características, se obtiene un resultado que junto con un umbral nos dirá si el usuario es aceptado o rechazado. Dentro de esta etapa cobra especial relevancia la base de datos, la cual nos servirá para validar las propuestas y para calcular el umbral a partir del cual decidir si un usuario es autenticado o no. Se debe diferenciar entre umbrales obtenidos a priori, en base a un conjunto de entrenamiento, y umbrales obtenidos a posteriori, en base a los resultados de verificación. Los umbrales a posteriori nos darán una idea del límite del sistema propuesto, mientras que los umbrales a priori nos hacen ver cuán cerca podemos estar de ese límite en condiciones realistas.  Base de datos: la base de datos la formarán las imágenes a partir de las cuales verificar el rendimiento de las diferentes caracterizaciones propuestas. Durante el desarrollo de este documento se han utilizado dos bases de datos propias y una pública. A continuación se detallarán con mayor profundidad cada una de los sistemas 4.1. Sistema de adquisición El sistema de adquisición se encarga de realizar la captura de la mano en un entorno sin contacto, preprocesarla y entregarla al sistema de parametrización. Un aspecto fundamental en esta etapa es la reducción en la medida de lo posible del ruido introducido en el sistema. Los sistemas sin contacto ya tienen que afrontar grandes retos relacionados con la ausencia de superficie de apoyo por lo que no es aconsejable introducir más distorsiones asociadas a una incorrecta adquisición. En el presente documento se proponen dos sistemas multiespectrales para su utilización como sistemas de adquisición para sistemas biométricos basados en mano sin contacto. El uso del espectro infrarrojo viene justificado por la mejor segmentación de la mano en esta banda. Una correcta configuración de los parámetros de la cámara permitirá además obtener una silueta de la mano de suficiente calidad como para utilizar rasgos biométricos basados en ella. La inclusión de una cámara visible viene dada por el escaso contraste de la información de la palma de la mano en la banda infrarroja. Una correcta segmentación de la palma en la banda visible permitirá estudiar métodos de extracción de características palmares. La diferencia entre los dos sistemas de adquisición propuestos radica en la forma en la que se afronta la correlación entre la información de la cámara visible y la infrarroja. Mientras uno realiza una correlación hardware de las imágenes otro precisará de un CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [61] procesado para lograr dicha correlación. Se buscará segmentar la imagen visible a partir de la silueta obtenida en la banda infrarroja. Sistema de adquisición basado en filtro dicroico: El sistema está basado en el uso de dos cámaras y un filtro dicroico (Cold Mirror) para conseguir la alineación de las imágenes obtenidas por ambas. Se trata por tanto de una correlación de imágenes hardware sin coste computacional, figura 4.2. Figura 4.2. Sistema de correlación hardware de imágenes multiespectrales Se utilizan dos cámaras análogas de 2 Mpx y se modifica una para poder adquirir imágenes en el espectro infrarrojo. La modificación consiste en la sustracción del filtro infrarrojo que traen de fábrica y la inclusión de un filtro del espectro visible. La cámara se configura con un valor bajo de tiempo de exposición, alta ganancia, brillo bajo y contrate medio. La figura 4.3 muestra un primer prototipo. Figura 4.3. Prototipo inicial de sistema de correlación hardware de imágenes multiespectrales Luz infrarroja Luz Luz visible Cámara infrarroja Cámara visible CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [62] La versión final de el dispositivo en que sustentará tanto el filtro dicroico como las cámaras se realizó en AUTOCAD, figura 4.4. El dispositivo debe situar ambas cámaras de forma ortogonal entre sí y con un ángulo de 45° respecto al filtro. Figura 4.4. Diseño en AUTOCAD del dispositivo de montura del filtro dicroico y las cámaras web. Un primer prototipo fabricado en madera permitió ajustar las medidas del dispositivo para luego realimentar el modelo y poder fabricarlo en metacrilato, figura 4.5. Se hace fundamental fabricar la montura con el menor número de componentes para así asegurar una mínima desviación de los ángulos formados entre las cámaras y el filtro. Figura 4.5. Prototipo en madera de balsa y prototipo en metacrilato del soporte de dispositivos para el sistema de correlación con filtro dicroico El sistema de iluminación lo componen 24 leds infrarrojos y 4 leds de luz blanca, figura 4.6. CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [63] Figura 4.6. Disposición de los diodos infrarrojos (IRED) y los de luz blanca (VIS) en la placa de iluminación En la figura 4.7 se muestra el prototipo final desarrollado además de un ejemplo del posicionamiento de la mano del usuario durante la captura. El sistema se alimenta a partir de una fuente de alimentación de 2 amperios conectada a la corriente alterna y dispone de dos salidas USB correspondientes a las cámaras web. Figura 4.7. Prototipo final y colocación de la mano por parte de los usuarios Se dispone por tanto de un sistema de adquisición capaz de obtener imágenes en dos espectros diferentes, el visible y el infrarrojo. Las imágenes muestran un pequeño desplazamiento debido a errores de fabricación del dispositivo de montura de cámaras y filtro, basta un calibrado inicial del sistema para conseguir la correlación de CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [64] la información de ambas cámaras. Realizar la segmentación en visible a partir de la silueta obtenida en el infrarrojo es inmediato, figura 4.8. Figura 4.8. Imágenes obtenidas por el sistema multiespectral. A la izquierda la imagen visible; en el centro imagen infrarroja; a la derecha imagen visible segmentada a partir de la imagen infrarroja Sistema de adquisición basado en correlación por procesado: El segundo sistema de adquisición propuesto está basado en la utilización de dos cámaras situadas sobre el mismo plano y la correlación de imágenes mediante procesado. Las cámaras y su configuración son iguales a las presentadas anteriormente. La diferencia radica en la colocación de las mismas sobre el sistema de iluminación. Las cámaras se sitúan con un desplazamiento vertical entre ambas de 10 cm, por tanto, ambas cámaras adquieren imágenes diferentes. Figura 4.9. Sistema de adquisición multiespectral basado en correlación por procesado Cámara Infrarroja Cámara Visible Iluminación Visible Iluminación Infrarroja CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [65] El desplazamiento existente entre ambas cámaras produce una distorsión de proyección entre las imágenes adquiridas. Como se muestra en la figura 4.10 las imágenes se encuentran descorreladas. Figura 4.10. Imágenes obtenidas por el sistema multiespectral. Izquierda imagen infrarroja, a la derecha imagen visible El procesado necesario para correlar la información de ambas cámaras será tratado en el Capítulo VI. 4.1.1. Captura automática Para realizar la captura de la imagen a parametrizar y paliar en parte los efectos de la distorsión de pose, una máscara guía al usuario en el correcto posicionamiento de la mano. Figura 4.11. Ejemplo de adquisición con máscara en el espectro infrarrojo A diferencia de los sistemas con contacto, en los que el usuario sitúa la mano sobre una superficie acotada, en los sistemas sin contacto el grado de libertad es mayor, figura 4.12. CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [72] Oclusión En cuanto a distorsiones que se puedan achacar al usuario, se encuentra la oclusión parcial de uno de los rasgos o el no separar los dedos en el momento de la adquisición. Para reducir las imágenes con dedos juntos se ha implementado un algoritmo que detecta la apertura o no apertura de los mismos en el momento de la adquisición. Figura 4.16. Oclusión parcial detectada en el usuario 3 y adquisición con dedos cerrados en usuario 11 de la base de datos GPDS-CL1 Distorsión de escala y presencia de anillos El cambio de escala es también una distorsión muy común y viene provocada por la libertad de pose que proporciona el sistema al usuario. En la figura 4.17 se muestran dos casos de alto cambio de escala y además se aprecia la presencia arbitraria de anillos. En ningún momento de solicitó a los usuarios que usaran el sistema con o sin anillos, por lo que para ciertos usuarios, existen adquisiciones con y sin él. Figura 4.17. Cambio de escala y utilización arbitraria de anillos en usuarios 19 y 20 de la base de datos GPDS-CL1 Imagen borrosa La adquisición de imágenes borrosas debido a movimientos durante el momento de la captura está muy presente en la base de datos. El efecto de esta distorsión sobre las imágenes se traduce es una pérdida de nitidez, lo cual conlleva a su vez una pérdida de información. La figura 4.18 muestra algunos ejemplos de adquisiciones borrosas. CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [73] Figura 4.18. Adquisiciones borrosas en usuarios 5 y 7 de la base de datos GPDS-CL1 Distorsiones en el espectro infrarrojo Hasta ahora se han mostrado los efectos de las diferentes distorsiones sobre las imágenes de la cámara visible. Las distorsiones de proyección y escala afectan por igual a imágenes en visible o en infrarrojo. El número de adquisiciones de imágenes borrosas es muy bajo debido a la configuración de la cámara con un tiempo de exposición bajo. El efecto de la perdida de nitidez afectará a los bordes de la imagen, no teniendo mucha incidencia sobre la parametrización como ya se vio en apartados anteriores. Los anillos y las oclusiones afectan de diferente forma en visible y en infrarrojo. La respuesta del anillo en infrarrojo depende del material con el que esté hecho. Por lo general los anillos metálicos generan mayores distorsiones que los de plástico o madera por ejemplo. La tela refleja de forma similar a la piel el infrarrojo por lo que la oclusión de la palma por este tipo de material prácticamente no afecta a la adquisición en infrarrojo, figura 4.19. Figura 4.19. Efectos de anillos y oclusión parcial en imágenes visibles e infrarrojas de la base de datos GPDS-CL1 Los cambios de iluminación si afectan de diferente forma en ambos espectros. La variación de la iluminación en el espectro visible como pueden ser fluorescentes no tiene ninguna incidencia en el infrarrojo. Pero el aumento de iluminación en el espectro infrarrojo, provocada por ejemplo por el sol, si tiene efectos sobre la adquisición en infrarrojo. El efecto de este aumento de la iluminación puede provocar que ciertos elementos del fondo no visibles en condiciones normales si interfieran en caso de existir este aumento de la luz infrarroja. En condiciones normales, estas interferencias no llegan a suponer una distorsión insalvable. CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [74] Figura 4.20. Interferencias producidas por cambios de iluminación en usuario 1 y 4 de la base de datos GPDS-CL1 Distribución de distorsiones en GPDS-CL1 Pese a todas las distorsiones presentes en la base de datos, ninguna imagen se descartó. Todos los resultados que se mostrarán en próximos capítulos se obtuvieron procesando la base de datos al completo. A modo de resumen, la figura 4.21 muestra los porcentajes de imágenes con distorsiones y las imágenes con buena calidad presentes en la base de datos GPDS-CL1. Por imagen de buena calidad se entiende aquellas que no presentan distorsiones de gran relevancia. Figura 4.21. Porcentaje de distorsiones presentes en la base de datos GPDS-CL1 Atendiendo al género de los usuarios que componen la base de datos se tiene un 57% de usuarios masculinos por un 43% de usuarios femeninos. Por edades los usuarios se agrupan en: 62% entre 14-30 años, 26% entre 31-50 años y 12% mayores de 50 años. 4.4.2 Base de datos GPDS-CL2 Base datos adquirida en entorno de laboratorio a partir del dispositivo de adquisición multiespectral basado en correlación por procesado. Las condiciones están más controladas y el número de sesiones se reduce a 1. Cada adquisición de cada usuario está compuesta por dos imágenes, una en la banda visible y otra en la infrarroja cercana (850 nm). Las imágenes infrarrojas se centran más en los dedos si se comparan CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [75] con las de GPDS-CL1 y las visibles en la palma, obteniéndose así un mayor nivel de detalle, figura 4.22. Figura 4.22. Arriba adquisiciones en el espectro visible de la base de datos GPDS-CL2; abajo adquisiciones en el espectro infrarrojo de la base de datos GPDS-CL2 Los problemas asociados a la ausencia de una superficie de contacto (distorsión de proyección, imagen borrosa, cambios de escala) son análogos a los comentados con la base de datos GPDS-CL1. Los errores asociados al uso incorrecto del dispositivo (oclusiones, dedos cerrados,…) son considerablemente menores debido al carácter supervisado de la adquisición de toda la base de datos. No se registraron los datos referentes a la edad y género de los participantes en esta base de datos. 4.4.3 Base de datos IITD Base de datos pública adquirida en condiciones de laboratorio por el Instituto Tecnológico de Nueva Delhi [IITD]. A diferencia de la GPDS-CL2 las condiciones están aún más controladas, ya que las imágenes se capturaron siguiendo la filosofía de caja negra. El usuario introduce la mano en una caja donde tanto las condiciones de iluminación como de fondo están totalmente controladas. Aunque ésta metodología soluciona o reduce los problemas asociados a la adquisición en entornos no controlados, es comúnmente aceptado que reducen la aceptabilidad por parte de los usuarios. Figura 4.23. Ejemplos de adquisiciones de la base de datos IITD CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [76] La base de datos IITD fue creada para estudiar medidas palmares en esquemas sin contacto. Las imágenes ofrecen unos malos resultados de segmentación debido a una incorrecta iluminación y fondo utilizados por lo que no serán utilizadas en la experimentación de las medidas geométricas. La base de datos presenta algunos errores en el etiquetado de sus imágenes. Aunque son escasos, influyen negativamente en los resultados obtenidos. Todos los experimentos se han realizado con la base de datos tal cual se comparte para poder comparar así con los resultados presentados con la misma en trabajos previos. Algunos ejemplos de incorrecta etiquetación son las imágenes del usuario 31 mano Izquierda. Figura 4.24. Incorrecto etiquetado de imágenes en IITD. Arriba imágenes 1 y 2 de usuario 30 mano izquierda; Abajo imágenes 3 y 4 de usuario 30 mano izquierda Se aprecia que las imágenes 1, 2, 3 y 4 etiquetadas como usuario 30 no pertenecen a la misma persona. No se dispone de datos referentes a la edad y género de los participantes en esta base de datos. 4.5. Metodología de experimentación La etapa de clasificación se divide en dos:  Entrenamiento: se crean los modelos que caracterizan a cada usuario a partir de los parámetros extraídos en la etapa anterior. Dependiendo de la naturaleza de las características se utiliza diferentes tipos de clasificadores por lo que el entrenamiento varía según el rasgo biométrico utilizado. CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [77]  Verificación: a partir del modelo del usuario y un vector de característica se obtiene un resultado de clasificación con el cual decidir si el usuario es autenticado correctamente o no. Al igual que se plantea un entorno de trabajo lo más realista posible en unas condiciones no controladas, se intenta seguir una metodología de verificación que ofrezca resultados lo más aproximados a la realidad. Existen muchas metodologías de experimentación, según la división que hagamos entre muestras de verificación y muestras de entrenamiento podemos diferenciar entre:  Experimento con grupo cerrado: los usuarios utilizados para entrenar al modelo pertenecen al mismo grupo de usuarios utilizados para verificar el sistema. Durante el entrenamiento, el sistema posee información acerca de los impostores que luego serán utilizados durante la verificación. En ningún caso se utilizan las mismas muestras (mismas imágenes) durante el entrenamiento y la verificación, pero si se comparten los usuarios. Esta forma de entrenamiento está muy extendida en la bibliografía aunque representa una visión poco realista de un sistema biométrico. La base de datos se divide por muestras (muestras de entrenamiento y muestras de verificación).  Experimento con grupo abierto: los usuarios utilizados para entrenar al modelo son ajenos al grupo de usuarios utilizados para verificar el sistema. Durante el entrenamiento no se dispone de información acerca de los impostores, lo cual se acerca más a la realidad de un sistema biométrico: en la validación de los usuarios impostores serán totalmente desconocidos para el sistema. Si no se especifica lo contrario, ésta es la metodología utilizada durante la experimentación desarrollada en el resto de capítulos de este documento. Los modelos SVM del clasificador de medidas geométricas se entrenan utilizando 4 muestras del usuario genuino y 160 muestras de entrenamiento negativas obtenidas de 40 usuarios de la base de datos. Esos 40 usuarios utilizados para entrenar los modelos no serán utilizados en la etapa de verificación como impostores. Los sistemas basados en palma utilizan también 4 muestras de entrenamiento pero en este caso dado el clasificador utilizado, no precisan de muestras negativas. Las muestras de entrenamiento de todos los usuarios genuinos se utilizarán para calcular los umbrales obtenidos a priori con los que posteriormente obtener la FAR (Falsa Aceptación) y FRR (Falso Rechazo) del experimento. Se utiliza el 50% de las muestras de entrenamiento para entrenar los modelos y el otro 50% para obtener los umbrales. Una vez se han obtenido, se utiliza el 100% de las muestras de entrenamiento para entrenar los modelos nuevamente. Según las características de la base de datos utilizada la metodología es: o GPDS-CL1: Base de datos multisesión. La primera sesión de la base de datos está forma por 5 imágenes, de las cuales 4 se utilizarán para entrenar los modelos de cada usuario. El resto de imágenes se utilizará para verificación siguiendo la metodología comentada anteriormente. Se realizan dos tipos de experimentos: un experimento con las imágenes de la primera sesión, utilizando 4 para entrenar y una para CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [78] verificar. Utilizando 40 usuarios escogidos aleatoriamente de los 110 totales para entrenar los modelos y repitiendo 10 veces el experimento para conseguir estabilidad estadística. Se obtienen resultados genuinos y resultados impostores. En el segundo experimento se utilizan las 10 sesiones, entrenando siempre con las imágenes de la primera sesión, se obtienen resultados genuinos y resultados impostores. o GPDS-CL2: Al ser una base de datos unisesión, las 4 muestras genuinas de entrenamiento se escogen aleatoriamente. Según la metodología de experimentación propuesta, utilizando 40 usuarios escogidos aleatoriamente para entrenar los modelos y repitiendo el experimento 10 veces para conseguir estabilidad estadística, se tienen 10x100x10=10000 resultados genuinos y 10x60x109x10=654000 resultados impostores. o IITD: Al ser una base de datos unisesión, las 4 muestras genuinas de entrenamiento se escogen aleatoriamente. Al no utilizar la base de datos en la experimentación con medidas geométricas, no se precisan muestras impostoras para entrenar ningún modelo. Según la metodología de experimentación propuesta y repitiendo el experimento 10 veces para conseguir estabilidad estadística, se tienen 6x470x10=28200 resultados genuinos y 6x470x469x10=13225800 resultados impostores. Los resultados utilizando la metodología de grupo cerrado se podrían aproximar a los de grupo abierto si se asume que el conjunto de usuarios utilizado para entrenar los modelos representa a todos los posibles usuarios del sistema. 4.6 Figuras de calidad A la hora de conocer las prestaciones de un sistema y compararlo con otras propuestas se hace necesario acudir a medidas estandarizadas que recojan diferentes aspectos del comportamiento del sistema. Las principales figuras de calidad utilizados en el presente documento serán:  Tasas de Falsa Aceptación (FAR en inglés por “False Aceptance Rate”): número de usuarios impostores que son identificados como genuinos.  Tasas de Falso Rechazo (FAR en inglés por “False Rejection Rate”): número de usuarios genuinos que son identificados como impostores.  Tasas de Igual Error (EER en inglés por “Equal Error Rate”): punto en el que la Tasa de Falsa Aceptación y la de Falso Rechazo se igualan. La FAR y la FRR nos darán una medida objetiva del rendimiento de los sistemas propuestos. El EER, al ser una tasa obtenida a posteriori nos permitirá conocer el límite de las propuestas realizadas. Las curvas FAR y la FRR están estrechamente CAPÍTULO IV: ESQUEMA DE UN SISTEMA BIOMÉTRICO SIN CONTACTO [79] relacionadas, cuando una es ascendente la otra es descendente y viceversa. Una forma de obtener una medida de esta relación es representar la curva DET.  Curva DET (del inglés “Receiver Operating Characteristic”): curva de relación entra la falsa aceptación y el falso rechazo. A la hora de comparar las prestaciones de diferentes propuestas se utilizará la curva DET dado que en una sola curva podemos representar la relación de aspecto entre las curvas FAR y FRR, posibilitando así una comparación sencilla e intuitiva. 4.7. Aportaciones Se han diseñado y desarrollado dos sistemas de adquisición multiespectrales para su utilización en esquemas biométricos sin contacto. Los sistemas están dotados de un sistema de captura automático y una validación de imágenes basada en un correcto posicionamiento de la mano respecto una referencia y un algoritmo de detección de dedos cerrados. Se han capturado dos bases de datos a partir de las cuales realizar la experimentación necesaria para validar las propuestas. Mientras que una de las bases de datos presenta condiciones de laboratorio, la otra se puede considerar una base de datos operacional adquirida en condiciones cercanas a las de una aplicación real. La posibilidad de tener una base de datos unisesión y otra multisesión permitirá evaluar la robustez de las propuestas en entornos no controlados y las principales diferencias cuando se introducen variables relacionadas con condiciones de adquisición variables. CAPÍTULO V BIOMETRÍA DE LA FORMA DE LA MANO SIN CONTACTO Se escogen en primer lugar las medidas geométricas por ser un rasgo biométrico con largo recorrido y funcionalidad probada en sistemas con contacto [M. Ferrer et al, 2007]. En un principio se pensó en la utilización del espectro infrarrojo para la extracción del patrón vascular, pero estudios previos [M. Ferrer et al, 2008] desaconsejaron su uso en entornos no controlados debido a la falta de robustez de dicho patrón biométrico. Un sistema de iluminación infrarroja y una cámara infrarroja correctamente configurada ofrece imágenes con un contorno de la mano bien definido y libre de ruido a partir del cual poder extraer medidas geométricas. 5.1. Extracción de medidas geométricas La silueta de la mano ofrece principalmente dos zonas de las que extraer medidas geométricas: los dedos y la palma. Las propuestas estudiadas en este documento se basan en medidas geométricas de los dedos debido a su mayor robustez ante cambios de pose. El hecho de prescindir de la palma también permite disminuir la distancia entre mano y sistema de adquisición logrando así una mayor calidad de la imagen. Además de la palma se prescinde del dedo pulgar dada su alta variabilidad de pose y su demostrada poca discriminabilidad [N. Duta, 2009]. Dada la alta variabilidad de pose que ofrece un sistema sin contacto, un método de extracción de características robusto a rotación y a traslación se hace imprescindible. A continuación se explican detalladamente los pasos a seguir para extraer medidas geométricas de los dedos en entornos de alta variabilidad de pose. CAPÍTULO V: GEOMETRÍA DE LA MANO SIN CONTACTO [82] Se parte de la imagen infrarroja en escala de grises. Una vez binarizada a partir del método Otsu, el contorno de la mano se obtiene erosionando la imagen binaria y restando: donde , es la imagen en blanco y negro erosionada con un elemento estructurante cuadrado de 2x2 y 4x4 respectivamente. El contorno se obtiene de las coordenadas de la imagen binaria empezando por el borde de la muñeca del lado del dedo meñique. El primer paso para extraer las medidas es la localización de puntas y valles de la mano. Para localizar las puntas y valles se realiza una transformación de coordenadas del contorno de cartesianas a polares. Se considera como origen el centro de la primera columna, lo que se corresponde aproximadamente a un punto entre el centro de la palma y el centro de la muñeca. Los máximos de las coordenadas radiales sirven para localizar provisionalmente las puntas mientras que los mínimos nos aproximan la localización de los valles, figura 5.1. Sea y el radio y ángulo del iésimo pixel del contorno de la mano. El índice del máximo del radio (punta de dedo) es obtenido a partir de los puntos de contorno que satisfacen que . Si el número de puntos obtenidos en inferior a 4 (se desecha el pulgar), la imagen es rechazada. El índice corresponde a la punta del dedo meñique. El índice del f-ésimo valle es calculado según: Figura 5.1. Detección de puntas y valles a partir de las coordenadas polares de la silueta CAPÍTULO V: GEOMETRÍA SIN CONTACTO DE LA MANO [89] Ajuste del número de dedos y correcta detección de puntas Un aspecto a probar es como afecta el número de dedos utilizados y el uso o no de parámetros de longitud de cada dedo. La tabla 5.3 muestra los resultados de EER según el número de dedos utilizados. Los resultados representan la media obtenida utilizando todas las posibles combinaciones. Tabla 5.3. Resultados según el número de dedos Número de dedos Base de datos EER 1 dedo GPDS-CL2 9.56% 2 dedos GPDS-CL2 3.52% 3 dedos GPDS-CL2 1.38% 4 dedos GPDS-CL2 0.63% 4 dedos + longitud GPDS-CL2 2.39% Se observa como la utilización de los 4 dedos mejora el resto de opciones. El uso de la longitud de los dedos como medida añadida a los anchos degrada el rendimiento del sistema notablemente. La figura 5.8 muestra las curvas DETs según el número de dedos utilizados. Figura 5.8. Curvas DET según número de dedos Para evaluar el impacto del ajuste fino en la detección de la punta de los dedos se muestra en la tabla 5.4 los resultados utilizando la localización basada en coordenadas polares (sin ajuste fino) y la localización basada en ajuste fino por medio de la aproximación de los bordes del dedo. Tabla 5.4. Impacto del ajuste fino en la detección de puntas Ajuste de las puntas Base de datos EER Sin ajuste fino GPDS-CL2 0.80 % Con ajuste fino GPDS-CL2 0.65 % 0 0.05 0.1 0.15 0.2 0 0.05 0.1 0.15 0.2 FRR FAR 1 dedo 2 dedos 3 dedos 4 dedos CAPÍTULO V: GEOMETRÍA DE LA MANO SIN CONTACTO [90] Ajuste del número de coeficientes de la DCT La tabla 5.4 muestra el comportamiento de los resultados ante diferente número de coeficientes de la DCT utilizados para formar el vector de características. Tabla 5.4. Resultados según número de coeficientes DCT Número de coeficientes Base de datos EER Umbral escogido a priori FAR(%) FRR(%) 10 coeficientes GPDS-CL2 7.38% 6.52% 8.93% 20 coeficientes GPDS-CL2 2.34% 1.41% 5.33% 30 coeficientes GPDS-CL2 1.14% 0.74% 2.5% 40 coeficientes GPDS-CL2 0.84% 0.36% 1.8% 50 coeficientes GPDS-CL2 0.65% 0.39% 1.5% 60 coeficientes GPDS-CL2 0.66% 0.32% 1.61% 70 coeficientes GPDS-CL2 0.63% 0.25% 1.61% 80 coeficientes GPDS-CL2 0.63% 0.27 % 1.64% 90 coeficientes GPDS-CL2 0.64% 0.45 % 1.33% Los resultados muestran como se obtiene un error estable a partir de 50 coeficientes lo que hace pensar en la existencia de una convergencia hacia ese error. Ajuste del número medidas y uso de la DCT La tabla 5.5 muestra los resultados según el número de anchos escogidos en cada dedo y la utilización o no de la DCT. La tabla muestra además del EER, el porcentaje de mejora respecto a las 10 medidas sin DCT utilizadas habitualmente en los esquemas con contacto. Tabla 5.5. Resultados según número de medidas geométricas Medidas por dedo Base de datos EER (sin DCT) EER (con DCT) 5 medidas GPDS-CL2 5.04% ↑238% 3.2 % ↑114% 10 medidas GPDS-CL2 1.49 % Referencia 1.16 % ↓22% 20 medidas GPDS-CL2 1.13% ↓24% 0.65 % ↓56% 50 medidas GPDS-CL2 0.74% ↓50% 0.83 % ↓44% 100 medidas GPDS-CL2 0.86% ↓42% 0.84 % ↓44% 150 medidas GPDS-CL2 0.97% ↓35% 0.83% ↓44% 200 medidas GPDS-CL2 1.32% ↓11% 0.92 % ↓38% A diferencia de los sistemas clásicos basados en geometría con contacto, donde el número de muestras varía entre 5 y 10, en un sistema sin contacto un incremento de estas medidas ofrece una mejora sustancial en los resultados. Hay que tener en cuenta que el 0.63% obtenido para 20 medidas puede ser un mínimo local. Se valora más la estabilidad de resultados que ofrece la DCT obteniendo resultados aceptables entre las 20 y las 150 medidas, se puede decir que tenemos un mínimo estable entorno a 0.83%. CAPÍTULO V: GEOMETRÍA SIN CONTACTO DE LA MANO [91] Ajuste del número de usuarios de entrenamiento En la tabla 5.6 se muestran los resultados según realicemos un experimento con grupo abierto o cerrado y según el número de usuarios utilizados para entrenar los modelos. Este número de usuarios representa el número de muestras negativas utilizadas para entrenar el clasificador basado en Máquinas de Soporte Vectorial. Tabla 5.6. Resultados número de usuarios de entrenamiento y tipo de experimento a partir de la base de datos GPDS-CL2 Número de usuarios negativos Número de muestras negativas EER Grupo cerrado Grupo abierto 10 usuarios 40 1.47% 1.51% 20 usuarios 80 0.79% 0.94% 30 usuarios 120 0.71% 0.95% 40 usuarios 160 0.47% 0.63% 50 usuarios 200 0.46% 0.67% 60 usuarios 240 0.36% 0.65% 70 usuarios 280 0.33% 0.65 % 80 usuarios 320 0.33% 0.67% 90 usuarios 360 0.17% 0.56% 99 usuarios 496 0.024% -* *Al tener 100 usuarios la base de datos, el experimento con grupo abierto y 99 usuarios para generar las muestras negativas no ofrece ningún usuario a partir del cual obtener la Falsa Aceptación. La metodología de grupo abierto representa un experimento más realista que la de grupo cerrado. Podemos observar como a partir de 50 usuarios, el error en grupo abierto duplica al error de grupo cerrado. Buscando las condiciones que mejores resultados ofrecen podríamos decir que el error del sistema es del 0.024%. Una metodología más realista nos situaría ese error entorno al 0.65%, 27 veces mayor que el ofrecido por el experimento en las mejores condiciones. Durante el desarrollo de este documento se ha intentado utilizar una metodología de experimentación lo más realista posible. 5.2.1. Prestaciones de las medidas geométricas sobre diferentes bases de datos Una vez ajustados los parámetros, se comparan los resultados obtenidos con GPDSCL1 (base de datos operacional) y GPDS-CL2 (base de datos laboratorio). Además se mostrarán los resultados de la GPDS-CL1 con imágenes de la primera sesión y GPDSCL1 con todas las sesiones. La base de datos GPDS-CL1 se divide en 10 sesiones, se dispone de 5 imágenes de la primera sesión y el resto pertenecen a diferentes sesiones. Comparar los resultados según el número de sesiones utilizadas nos dará una visión de cuan robustas son las medidas. La tabla 5.8 resume los resultados obtenidos. CAPÍTULO V: GEOMETRÍA DE LA MANO SIN CONTACTO [92] Tabla 5.8. Resultados obtenidos para las bases de datos GPDS-CL2 y GPDS-CL1 unisesión y multisesión Base de datos Número de sesiones EER Umbral escogido a priori FAR(%) FRR(%) GPDS-CL1 10 2.64 % 2.21% 3.43% GPDS-CL1 1 1.47 % 0.92% 1.87% GPDS-CL2 1 0.65 % 0.23% 1.07% La figura 5.9 muestra las curvas DET obtenidas con las bases de datos. Figura 5.9. Curvas DET obtenidas con GPDS-CL1 y GPDS-CL2 Se observa como el error utilizando la primera sesión de GPDS-CL1 es un 45% menor que el obtenido con las 10 sesiones. Si lo comparamos además con GPDS-CL2 que además de presentar una sola sesión fue adquirida en condiciones de laboratorio se observa que el error se ha cuadriplicado. Otra forma de mostrar los resultados es estudiar las distribuciones de densidad de los resultados de clasificación obtenidos para cada experimento. La figura 5.10 muestra las distribuciones de probabilidad para la base de datos GPDS-CL1 con 1 y 10 sesiones. Figura 5.10. Distribución de resultados genuinos (azul) e impostores (rojo) utilizando la primera sesión de la GPDS-CL1 (discontinuo) y las 10 sesiones (continuo) 0 0.02 0.04 0.06 0.08 0.1 0 0.02 0.04 0.06 0.08 0.1 FRR FAR GPDS-CL1 GPDS-CL2 (1 sesión) GPDS-CL2 (10 sesiones) -2 -1.5 -1 -0.5 0 0.5 1 0 0.5 1 1.5 2 Resultado de Clasificación Distribución de densidad (%) CAPÍTULO V: GEOMETRÍA SIN CONTACTO DE LA MANO [93] Se aprecia como los resultados de impostores apenas varían entre ambos experimentos mientras que los resultados de los usuarios genuinos si muestran una degradación al aumentar el número de sesiones. La degradación de los resultados es aún más clara si comparamos los resultados obtenidos para la GPDS-CL2 (1 sesión) y GPDS-CL1 con 1 sesión, figura 5.11. Figura 5.11. Distribución de resultados genuinos (azul) e impostores (rojo) utilizando la GPDS-CL2 (discontinuo) y la primera sesión de GPDS-CL1 (continuo) En este caso se observa como la base de datos GPDS-CL2 muestra claramente mejores resultados genuinos que la GPDS-CL1, incluso utilizando una sola sesión. Al igual que en el caso anterior, la distribución de resultados para los impostores muestra un comportamiento muy similar en ambos experimentos. La mejora que muestra GPDS-CL2 respecto a GPDS-CL1 se basa en las condiciones de adquisición más inestables de esta última así como en el menor nivel de detalle del contorno del dedo al presentar imágenes adquiridas a una mayor distancia. 5.3 Aportaciones El “baseline” en sistemas biométricos con contacto basados en la forma de la mano lo habíamos situado en un EER=0.5%. En condiciones de laboratorio se ha alcanzado un EER=0.65% con un sistema sin contacto basado en medidas geométricas de los dedos. En condiciones de experimentación reales el rendimiento decae considerablemente. En esquemas sin contacto, los métodos de extracción de características geométricas tradicionales basados en 15-30 medidas se han mostrado poco eficientes. Un aumento del número de medidas, unida a la reducción de la dimensionalidad del vector de características y un clasificador han permitido mejorar las prestaciones. Las medidas geométricas no nos permiten demostrar la tesis expuesta en este documento. Se hace necesario explorar otros rasgos biométricos extraídos de la mano así como una posible fusión con la geometría. -2 -1.5 -1 -0.5 0 0.5 1 0 0.5 1 1.5 2 Resultado de Clasificación Distribución de densidad (%) CAPÍTULO VI BIOMETRÍA DE LA PALMA SIN CONTACTO La palma de la mano es un rasgo biométrico muy estudiado en sistemas con contactos. En el presente capítulo se propone estudiar la biometría palmar en esquemas sin contacto a partir de los métodos de extracción de características palmares más populares. Los métodos de extracción de características propuestos en este capítulo se basan en métodos ya referenciados y con resultados probados en esquemas con contacto. Así pues, se propondrán modificaciones de los mismos para optimizar su rendimiento en entornos sin contacto y se estudiará el comportamiento de éstos ante las principales distorsiones o peculiaridades de este tipo de esquemas. Antes de extraer las características palmares es preciso segmentar la palma de la mano. La segmentación está estrechamente ligada al sistema de adquisición utilizado por lo que aunque presentan puntos comunes, se hace necesario clarificar las diferencias. 6.1. Segmentación de la palma Segmentar la palma de la mano en un entorno no controlado y en ausencia de una superficie de apoyo ofrece ciertos retos a resolver. Conseguir una región de interés invariante a rotación, desplazamiento, escala y cambios de proyección es fundamental para no perjudicar el rendimiento del sistema. Atendiendo a la base de datos, la segmentación de la palma utilizada durante la experimentación presentará algunas diferencias: CAPÍTULO VI: BIOMETRÍA SIN CONTACTO DE LA PALMA [96]  GPDS-CL1: la segmentación es automática una vez se dispone de dos imágenes correladas en el espectro infrarrojo y visible. La imagen visible es segmentada en base a la silueta obtenida del espectro infrarrojo.  GPDS-CL2: en este caso las imágenes visibles e infrarrojas no están correladas. Se hace necesario procesar la silueta obtenida en el espectro infrarrojo para poder segmentar la mano en el espectro visible.  IITD: se ha utilizado una versión de la base de datos con las palmas ya segmentadas. Por lo tanto, el sistema de adquisición utilizado para adquirir la base de datos GPDSCL2 requerirá del uso de una etapa de procesado a partir de la cual segmentar la palma en el espectro visible. 6.1.1. Cálculo del contorno de la mano en la imagen visible de GPDS-CL2 El procesado para la segmentación de la mano en la imagen visible de la base de datos GPDS-CL2 se basa en el método “Active Shape Models (ASM)”. Los ASM fueron propuestos en [T. F. Cootes et al, 1995] para la caracterización de objetos a partir de su forma y su posible reconocimiento en entornos ruidosos o en presencia de otras distorsiones. El sistema de adquisición con correlación de imágenes por procesado propuesto en el Capítulo IV requiere adaptar la información de la cámara infrarroja a la imagen obtenida en el espectro visible, figura 6.1. La distorsión entre la imagen infrarroja y la visible no es lineal y depende de la altura a la que esté situada la mano en el momento de la captura. No se puede estimar una rotación y traslación que se ajuste a todas las capturas, se precisa un modelado diferente para cada captura. En este documento se propone el uso de los ASM para segmentar la imagen en el espectro visible a partir de la silueta obtenida en infrarrojo. Figura 6.1. Distorsión entre las imágenes obtenidas en el espectro infrarrojo y visible Para entrenar los modelos utilizados se usaron 500 manos de la base de datos con contacto GPDS (base de datos con contacto obtenida mediante escáner) [M. A. Ferrer et al, 2007]. Del modelo de distribución de puntos de cada contorno se escogen como referencia los valles de la silueta de la mano. Entre cada valle se escogen otros 70 puntos adicionales para completar el modelo. El entrenamiento de los modelos ASM se realiza en dos pasos: CAPÍTULO VI: BIOMETRÍA SIN CONTACTO DE LA PALMA [97] Alineamiento: El modelado se basa en el análisis estadístico de las coordenadas de los puntos de referencia. Para conseguir comparar puntos equivalentes en dos siluetas de imágenes diferentes se precisa realizar primero una alineación. Para realizar el alineamiento se buscará minimizar el error cuadrático medio entre ambas siluetas aplicando para ello cambios de escala, rotación y traslación. Sea un vector con puntos de la i-ésima silueta: Se propone tomar como referencia los valles y se escoge puntos desde hasta . Sea el resultado de aplicar sobre una rotación grados y un escalado con factor de escala . Dadas dos siluetas similares, y , buscamos , y traslación mapeando sobre de forma que se minimice la suma ponderada: donde con y la matriz diagonal con pesos asignados a cada punto. Los pesos se utilizan para dar más significancia a determinados puntos de importancia. En [T. F. Cootes et al, 1995] se propone una matriz de pesos definida de la siguiente forma: sea la distancia entre puntos y de una silueta; sea la varianza de ésta distancia en el conjunto de siluetas de entrenamiento; el peso para el -ésimo punto está definido por Si un punto se mueve de forma más acusada que el resto de puntos de la silueta, la sumatoria de la varianza será un valor alto y se le asignará un peso bajo. Si el punto permanece fijo respecto el resto de puntos, la sumatoria de la varianza será baja y el peso por tanto alto. Modelado estadístico: cada silueta es modelada asumiendo que la nube de puntos para cada tiene forma elipsoide, donde es el número de siluetas del conjunto de entrenamiento. Por tanto, cada silueta del conjunto de entrenamiento, una vez alineada, puede ser representada por un único punto, , en un espacio de dimensiones. El modelo de cada silueta se obtendrá de aplicar “Principal Component Analysis (PCA)” a esta nube de datos. Por tanto, para cada silueta se calcula la matriz de covarianza CAPÍTULO VI: BIOMETRÍA SIN CONTACTO DE LA PALMA [98] y la desviación respecto la media donde la silueta media obtenida del conjunto de entrenamiento viene definida por Los ejes principales de la elipsoide son descritos por los eigenvectores de y la longitud del eje se relacionada con los eigenvalores . Cualquier silueta representada por puede ser aproximada usando la silueta media y la suma ponderada de las desviaciones obtenidas del primer modelo t: Siendo con t tal que y el vector de pesos de la silueta. Los puntos de la silueta se adaptan a partir del gradiente de la imagen buscando hacerlos coincidir con bordes de la mano, puntos en los cuales el gradiente es máximo. Cada punto se mueve en la dirección de máxima energía. Figura 6.2. Movimiento de cada punto de la silueta hacia los bordes Una vez entrenado el modelo, para segmentar la mano en la imagen de visible se parte de la silueta obtenida en la imagen infrarroja y se desplaza, rota y distorsiona según el modelo ASM obtenido con anterioridad. En la figura 6.3 se muestra el resultado inicial y final de la adaptación de siluetas Energía del borde respecto a la normal Máximo de energía ) CAPÍTULO VI: BIOMETRÍA SIN CONTACTO DE LA PALMA [99] Figura 6.3. En trazo discontinuo silueta inicial obtenida de la imagen infrarroja, en trazo continúo aproximación final mediante el uso del ASM y la silueta inicial. 6.1.2. Extracción de la región de interés La forma más extendida de extracción de la palma [Zhang et al, 2003] se basa en la localización del centro de la palma a partir de los valles meñique-anular y corazóníndice, figura 6.4. En un sistema sin contacto las probabilidades de que se produzcan errores en la localización de los valles debido a una mala segmentación o cualquier distorsión de pose es elevada. Para reducir la incidencia de un error de este tipo, además de los tres valles, se añaden dos puntos del contorno exterior. Los puntos de interés se extraen de las coordenadas de los puntos . Para definir el centro de la palma se busca la circunferencia que minimice el error cuadrático medio entre las coordenadas de los 5 puntos. Calcular la región minimizando el error entre 5 puntos producirá una región más estable y menos sensible a la aparición de ruido en cada uno de los puntos. Sean las coordenadas cartesianas de cada uno de los valles, obtenido como el punto de la silueta y obtenido como el punto de la silueta situado . La circunferencia que minimiza el error cuadrático medio se calcula a partir del pseudovector donde y son las coordenadas del centro de la circunferencia y el radio de la misma, figura 6.4. CAPÍTULO VI: BIOMETRÍA SIN CONTACTO DE LA PALMA [106] de la palma. Algunos ejemplos de incorrecta segmentación en IITD se muestran en la figura 6.12. Figura 6.12 Palmas segmentadas de IITD. Arriba imágenes 3 y 5 del usuario 13 Left; Centro imágenes 3 y 4 del usuario 34; Abajo imágenes 2 y 3 del usuario 83 Left 6.3 Experimentación Las métodos de extracción de características palmares basados en OLOF [Z. Sun et al, 2005], Gabor [D. Zhang et al, 2003] y SIFT [J. S. Chen y Y. S. Moon, 2008] han sido estudiados en esquemas con contacto. La experimentación presentada a continuación explora sus prestaciones en condiciones sin contacto con las adaptaciones correspondientes propuestas en anteriores apartados. Por MSIFT nos referimos al método SIFT con el procesado basado en Gabor y la validación de coincidencias propuesta en anteriores apartados. La tabla 6.1 muestra los resultados obtenidos usando la base de datos IITD, tanto para las manos izquierdas como derechas. CAPÍTULO VI: BIOMETRÍA SIN CONTACTO DE LA PALMA [107] Tabla 6.1. Resultados obtenidos con la base de datos IITD Característica Mano EER(%) Umbral escogido a priori FAR(%) FRR(%) MSIFT Derecha 0.39 0.50 0.31 MSIFT Izquierda 0.30 0.59 0.18 Textura Gabor Derecha 0.41 0.67 0.25 Textura OLOF Derecha 1.31 1.51 1.12 Textura Gabor Izquierda 0.79 0.98 0.62 Textura OLOF Izquierda 0.61 0.65 0.59 La tabla 6.2 muestra los resultados usando la base de datos GPDS-CL2 Tabla 6.2. Resultados obtenidos con la base de datos GPDS-CL2 Característica EER(%) Umbral escogido a priori FAR(%) FRR(%) MSIFT 0.31 0.03 0.77 Textura Gabor 1.22 0.92 1.34 Textura OLOF 0.98 1.04 0.93 Según lo visto en los resultados obtenidos en las bases de datos IITD y GPDS-CL2 se podría decir que MSIFT ofrece un mayor rendimiento que OLOF. La tabla 6.3 muestra los resultados usando la base de datos GPDS-CL1. Se muestran tanto los resultados utilizando las 10 sesiones como los resultados utilizando únicamente la primera sesión (resultado entre paréntesis). Tabla 6.3. Resultados obtenidos con la base de datos GPDS-CL1 Característica EER(%) 1 sesión 10 sesiones Umbral escogido a priori FAR(%) FRR(%) MSIFT 0.47 1.59 0.63(0.21) 2.55(0.72) Textura Gabor 2.04 2.11 2.54 (2.38) 1.68 (1.51) Textura OLOF 1.83 1.89 2.31(2.24) 1.53(1.45) Se observa como MSIFT pasa de un 0.47% utilizando la primera sesión de GPDS-CL1 a un 1.59% utilizando las 10 sesiones de esa misma base de datos. Se deduce de los resultados que el método SIFT adolece de poca robustez en experimentos multisesión, ofreciendo un rendimiento similar al método OLOF. 6.4. Aportaciones Se ha propuesto un método de segmentación de imágenes visibles a partir de la silueta de la mano obtenida en el infrarrojo a partir del algoritmo Active Shape Model. Se consigue solventar así problemas de distorsión de proyección en imágenes obtenidas a partir de cámaras situadas sobre un mismo plano. CAPÍTULO VI: BIOMETRÍA SIN CONTACTO DE LA PALMA [108] Las medidas palmares ofrecen un rendimiento mayor que las medidas geométricas. Esta mejora se hace más patente cuando utilizamos una base de datos operacional adquirida en un entorno no controlado como el de la GPDS-CL1. El baseline del estado del arte de biometría palmar con contacto lo habíamos situado en torno al 0.3%. Los resultados obtenidos con bases de datos de laboratorio se acercan pero el rendimiento decae nuevamente cuando se trabaja en entornos reales. Las modificaciones propuestas para mejorar el rendimiento de las medidas basadas en SIFT mediante un procesado con Gabor y la validación de las coincidencias aumentan considerablemente el rendimiento en esquemas sin contacto. En esquemas sin contacto, las medidas de textura basadas en OLOF aunque mejoran a las basadas en Gabor, ofrecen un peor rendimiento comparado con MSIFT. Aunque se está cerca de probar la tesis propuesta en este documento, se hace necesario acudir a un sistema multimodal para buscar un rendimiento final más próximo al de los sistemas basados en contacto. CAPÍTULO VII SISTEMA SIN CONTACTO MULTIMODAL En el presente capítulo se estudiarán las posibilidades que ofrece un sistema sin contacto multimodal basado en las biometrías presentadas en capítulos anteriores: forma de la mano y palma. Se pretende mejorar tanto el rendimiento como la facilidad de uso. Una mayor tasa de acierto en las decisiones no solo redunda en una mejor opinión de los usuarios, sino que permite ser menos exigente durante la adquisición de la imagen. Trabajar con dos rasgos biométricos descorrelados como son la forma de la mano y la palma hace pensar en una mejora sustancial de las tasas de reconocimiento. La discriminabilidad es un aspecto fundamental en cualquier rasgo biométrico pero existen otros factores que también afectan al rendimiento en mayor o menos medida. La presencia de un alto porcentaje de distorsiones en imágenes adquiridas sin contacto en entornos no controlados hace que la robustez ante este tipo de distorsiones adquiera un papel protagonista. En un sistema multimodal la complementariedad entre la robustez de los diferentes rasgos ante las diferentes distorsiones puede incrementar el rendimiento significativamente. Para poder justificar y entender mejor los resultados del sistema multimodal propuesto el primer paso es estudiar la complementariedad de los diferentes rasgos biométricos. Las distorsiones en esquemas sin contacto son variadas y un buen funcionamiento multimodal se basará en la complementariedad de cada uno de los rasgos ante las diferentes distorsiones. CAPÍTULO VII: SISTEMA SIN CONTACTO MULTIMODAL [110] 7.1. Complementariedad de geometría y palma en esquemas sin contacto Para medir la robustez de las diferentes características ante distorsiones asociadas a la ausencia de contacto se utilizarán los primeros 20 individuos de la base de datos GPDSCL2. Sobre esta base de datos se simularán las diferentes distorsiones asociadas a un sistema sin contacto. La única diferencia entre los conjuntos de entrenamiento y test será la distorsión aplicada, las imágenes serán las mismas, se intenta así conocer la respuesta de cada parametrización ante las diferentes distorsiones. La base de datos GPDS-CL2 fue adquirida en condiciones de laboratorio. No interesa que las distorsiones asociadas a las condiciones ambientales influyan sobremanera. Interesa conocer cómo se comportan las diferentes parametrizaciones ante distorsiones simuladas por nosotros mismos. Al no existir superficie donde el usuario apoye la mano, las adquisiciones suelen mostrar variaciones o distorsiones del tipo: traslación, rotación, escala y proyección. Además, el hecho de no tener la mano en reposo durante el momento de captura implica la adquisición de manos en movimiento, lo cual implica una pérdida de nitidez en algunas mano debido al efecto de emborronado. Los errores producidos por la traslación y rotación son fácilmente subsanables con una parametrización invariante a este tipo de errores. En el caso de la traslación se consigue trabajando por ejemplo con coordenadas polares en lugar de las cartesianas. La rotación se corrige en gran medida normalizando todas las muestras a partir de un eje de rotación (el dedo corazón en nuestro caso). Por tanto, en este documento se mostrará especial atención a las distorsiones debidas a:  Cambio de escala.  Imagen borrosa.  Distorsión de proyección. Se utilizarán los métodos de extracción de características expuestos en los Capítulos V y VI con las correspondientes adaptaciones realizadas para optimizar su rendimiento en esquemas sin contacto. 7.1.1. Distorsión de escala El uso de la máscara en la etapa de adquisición guía al usuario en la colación de la mano pero es inevitable que se produzcan capturas con diferentes escalas. Este tipo de distorsión afecta principalmente a las parametrizaciones basadas en la palma de la mano. La principal razón del deterioro de este tipo de parametrización es la pérdida de información al realizar escalado negativo, lo cual implica una pérdida de información. Estudios previos sitúan en 45 ppp la resolución a partir de la cual el rendimiento de los sistemas basados en textura comienza a decaer significativamente. CAPÍTULO VII: SISTEMA SIN CONTACTO MULTIMODAL [111] Figura 7.1. Efecto de la distorsión de escala sobre los diferentes métodos de parametrización, a la izquierda imagen original, a la derecha imagen diezmada hasta un 25% del tamaño original y luego re-escalada a su tamaño original El factor de escala utilizado variará desde desde una relación 1:1 (no se cambia la escala) a una relación 1: ± 2.5, donde los valores negativos corresponden a un escalado negativo (se disminuye el tamaño de las muestras) y los valores positivos con un escalado positivo (se aumenta el tamaño de las muestras). El resultado será la media entre el error obtenido con el escalado positivo y el negativo. Por tanto, suponiendo una muestra de entrada con dimensiones 150x150 píxeles, un factor de escala de 1:-2 implicará utilizar una muestra de test de 75x75 píxeles, mientras un factor de escala de 1:2 corresponderá a una muestra de test de 300x300 píxeles. La figura 7.3 muestra la variación del EER a medida que se aplican diferentes grados de distorsión. Figura 7.2. Efecto de la distorsión de escala sobre las diferentes características Se observa como la distorsión de escala no degrada los resultados hasta que no se alcanzan valores severos. En el caso de la geometría ni siquiera con valores de distorsión altos los resultados empeoran. Esto se debe fundamentalmente a que el cambio de escala no resulta un problema mientras no se pierda una cantidad considerable de información. Así pues, pasar de trabajar de 150ppp a 120ppp no implica una degradación de los resultados. Dicha degradación comenzará a aparecer cuando se alcancen valores menores del orden de 60-50ppp. 1:1 1:2.5 0 0.1 0.2 0.3 0.4 0.5 Distorsión de escala EER Textura OLOF MSIFT Geometría con DCT CAPÍTULO VII: SISTEMA SIN CONTACTO MULTIMODAL [112] 7.1.2. Imagen borrosa Al no existir superficie de apoyo, la adquisición se realiza mientras la mano está suspendida en el aire. Este hecho provoca que en ocasiones se adquieran imágenes en movimiento, lo que implica una pérdida de nitidez o efecto de emborronado. La solución hardware es sencilla, usar sistemas de adquisición con un mayor número de imágenes por segundo. Esto provocaría que pequeños movimientos no afectaran a la calidad de la imagen adquirida. Por el contrario, esta es una solución costosa, a mayor número de imágenes por segundo, mayor es el coste del sistema. La solución de bajo coste es buscar parametrizaciones que sean robustas a este tipo de distorsión. Para simular el efecto de emborronado, se ha utilizado una convolución con un Gaussiano en dos dimensiones. El efecto es similar al conseguido utilizando un filtro de mediana, figura 7.3. Figura 7.3. Arriba imagen original y filtrada con filtro Gaussiano, abajo la textura obtenida usando filtrado de Gabor El impacto en el espectro infrarrojo es bastante menor debido a dos causas. La configuración de la cámara infrarroja con un tiempo de exposición mínimo hace que la tasa de imágenes por segundo sea considerablemente más elevada que con la cámara visible. Por lo tanto el porcentaje de imágenes borrosas es muy reducido para las adquisiciones en el espectro infrarrojo. Por otro lado, la geometría de los dedos, tal y como se plantea en este documento, se ve poco afectada por este tipo de distorsión. CAPÍTULO VII: SISTEMA SIN CONTACTO MULTIMODAL [113] Figura 7.4. A la izquierda imagen infrarroja original, a la derecha efecto del filtrado Gaussiano sobre imagen infrarroja En la figura 7.5 se muestra el comportamiento de las diferentes parametrizaciones ante diferentes grados de imagen borrosa. El grado de distorsión lo marca el ancho de la campana Gaussiana utilizada en la convolución. Figura 7.5. Influencia de la distorsión de imagen borrosa sobre las diferentes parametrizaciones Se observa como la geometría se ve muy poco afectada por este tipo de distorsión. La textura se muestra relativamente robusta ante pequeños y medios grados de distorsión y son los parámetros SIFT los que se ven más afectados. La principal razón de este bajo rendimiento es la pérdida de nitidez. El principal efecto del emborronamiento sobre una imagen es la pérdida de nitidez en los bordes lo cual afecta directamente a la extracción de descriptores, muy fuertemente relacionados con los bordes presentes en la imagen. 7.1.3. Distorsión de proyección A diferencia de la traslación y rotación, bajo transformaciones geométricas de proyección, algunas medidas euclídeas tales como distancias, áreas o ángulos no se conservan. Este problema está presente en cualquier sistema sin contacto, donde al no disponer de una superficie de reposo, el usuario no siempre posiciona la mano de la Baja Alta 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 Distorsión imagen borrosa EER Textura OLOF MSIFT Geometría con DCT CAPÍTULO VII: SISTEMA SIN CONTACTO MULTIMODAL [114] misma forma. La figura 7.6 muestra un ejemplo real de adquisiciones de un mismo usuario en las que se aprecia distorsión de proyección. Figura 7.6. Ejemplo real de distorsión de proyección en dos adquisiciones de un mismo usuario La distorsión de proyección es una transformación homogénea en la que existen 8 grados de libertad: 2 de escala, 2 de rotación, 2 de traslación y 2 líneas al infinito. La figura 7.7 muestra dos ejemplos de distorsión de proyección simulada sobre una imagen. Figura 7.7. Ejemplos de distorsión de proyección simulada Para evaluar el comportamiento de los diferentes métodos de parametrización ante este tipo de distorsión se ha simplificado el problema. Se han utilizado 4 distorsiones diferentes para cada grado valiéndose para ello de dos planos de distorsión diferentes: horizontal y vertical. Esto quiere decir que para un grado de distorsión dado, se obtienen 2 imágenes con distorsión de proyección horizontal (una positiva y otra negativa) y 2 imágenes con distorsión de proyección vertical (una positiva y otra negativa), figura 7.8. El resultado final será la media de los 4 resultados obtenidos. Esta forma de trabajar es una simplificación del problema, donde el caso más complejo incluye distorsión de proyección en ambos planos. CAPÍTULO VII: SISTEMA SIN CONTACTO MULTIMODAL [115] Figura 7.8. Arriba distorsiones de proyección usando plano horizontal, abajo distorsiones de proyección usando plano vertical El grado de distorsión indica los grados de inclinación del plano de distorsión utilizado. Donde cero correspondería a una distorsión de proyección nula y 90º equivaldría a realizar una adquisición del perfil de la mano. Los resultados para las diferentes parametrizaciones se muestran en la figura 7.9. Figura 7.9. Influencia de la distorsión de proyección sobre las diferentes parametrizaciones En este tipo de distorsión donde la parametrización basada en SIFT muestra su potencial. Por el contrario, la textura y la geometría bajan su rendimiento al aplicar unos pocos grados de distorsión. A modo de resumen, la tabla 7.1 muestra el comportamiento de los diferentes métodos de parametrización ante las distorsiones estudiadas. 0 5 10 15 20 12.5 15 17.5 20 0 10 20 30 40 50 Distorsión de proyección (°) EER MSIFT Geometría con DCT Textura OLOF CAPÍTULO VIII SISTEMAS DE DETECCIÓN DE VIDA Los sistemas de detección de vida surgen como una solución ante posibles ataques a los sistemas biométricos. Un sistema biométrico con un mayor nivel de seguridad tendrá una mayor credibilidad, lo cual redunda en una mayor aceptabilidad por parte de los usuarios. En este capítulo se propone el uso de información de la mano obtenida en diferentes bandas espectrales para realizar la detección de vida. Aunque la adquisición en ambos sistemas se produce sin contacto, la mano reposará sobre una superficie de apoyo durante la adquisición. La imposición de que no exista contacto entre el dispositivo y el sistema de adquisición elimina la posibilidad de utilizar sistemas de detección de vida tradicionales. Se acude por tanto al estudio de la reflectrometía de la piel en diferentes bandas espectrales. Este método representa un método de detección no invasivo basado en la forma en que la piel refleja la luz a diferentes longitudes de onda. En primer lugar se propone un sistema de detección de vida multiespectral con bandas de trabajo en el infrarrojo medio 1470nm y el rojo 650nm. La inclusión de un sensor en la banda de 1470nm no solo posibilita la detección de vida sino que mejora el rendimiento del sistema biométrico [Miguel A. Ferrer y A. Morales, 2011b]. Se propondrán dos formas de mejora del rendimiento del sistema de detección de vida basadas en la utilización de la banda infrarroja cercana (1040nm) en lugar de la banda roja (650nm) y la utilización de tecnología hiperespectral los 380-1028nm para mejorar el rendimiento del sistema multiespectral. CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [124] 8.1. Sistema multiespectral Rojo-SWIR Un sistema de adquisición multiespectral adquiere imágenes en diferentes bandas espectrales. La diferencia respecto a los sistemas hiperespectrales es que normalmente el número de bandas de trabajo en los sistemas multiespectrales es considerablemente menor que el de los sistemas hiperespectrales. El sistema multiespectral propuesto en este documento trabaja en dos bandas: 1470nm y visible (400nm-700nm). El sistema está compuesto por dos cámaras, una superficie de apoyo y un sistema de iluminación. Figura 8.1. Sistema de adquisición multiespectral La imagen en la banda de 1470nm se adquiere mediante una cámara XENICS XEVA 1.7-320 con sensor InGaAs sensible en la banda de 900 a 1700nm con un filtro pasobanda centrado en 1470 y un ancho de banda de 250nm. La resolución de las imágenes e s igual a 320x256 pixeles. La imagen en la banda visible es adquirida con una cámara web quickcam E2500 con una resolución de 640x480 pixeles. Como iluminación se utilizó una bombilla incandescente con un diagrama de radiación desde 400nm a 2500nm. Los usuarios sitúan la mano libremente en la superficie de apoyo, no se utilizan topes. Un ejemplo de las imágenes obtenidas se puede ver en la figura 8.2. Cámara XENICS Cámara visible Sistema de iluminación CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [125] Figura 8.2. Izquierda: imagen en la banda de 1470nm; Derecha: imagen en la banda visible 8.1.1. Detección de la mano y pre-procesado Las cámaras procesan cada imagen como si se tratara de una secuencia de video. La mano es detectada automáticamente de la siguiente forma: cuando la diferencia absoluta entre dos imágenes consecutivas de la cámara XEVA 1.7-320 es mayor que un umbral se asume que un usuario está colocando la mano. Cuando el movimiento termina, se asume que el posicionamiento ha terminado. Entonces se adquieren dos imágenes de ambas cámaras: la imagen visible donde la coordenada indica el espacio de color rojo, verde y azul, y la imagen en la banda SWIR (“short wave Infrared”) . Se descartan las primeras 15 columnas de la imagen en la banda de 1470nm para mantener una relación de aspecto proporcional entre y. La cámara XEVA 1.7-320 presenta un 1% de píxeles defectuosos debido al proceso de fabricación del sensor. Adquiriendo una imagen en un fondo uniforme gris, 298 pixeles erróneos son localizados debido a que muestran un valor de intensidad muy diferente al de sus vecinos más cercanos. Para corregirlo se realiza una interpolación de los pixeles erróneos a partir de sus 8 vecinos. 8.1.2. Principio físico de la detección La detección de vida propuesta se basa en las propiedades físicas de la piel en las bandas visible y 1450nm. Se propone particularizar para una aplicación biométrica el “normalized difference skin index (NDSI)” usado en aplicaciones de búsqueda y rescate [A.S.Nunez y M.J. Mendenhall, 2008]. El índice NDSI varía entre -1 y 1 donde un valor cercano a 1 indica presencia de piel, en este documento proponemos una modificación de NDSI tal que: donde es la intensidad de la radiación reflejada en la banda . El índice NDSI se calcula con y . En este documento se propone usar para eliminar la necesidad de añadir un segundo sensor de mayor coste y CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [126] para mejorar la estimación de la banda del pico de absorción del agua [G. E. Walrafen y E. Pugh, 2004]. La intensidad se puede aproximar teóricamente utilizando para ello el modelo Kubelka and Munk [24] el cual define siendo la intensidad de la radicación incidente y el índice de reflectancia. La figura 8.3 muestra la medida de reflectancia de la piel humana y la curva de radiación de una bombilla de filamento incandescente. Figura 8.3. Reflectancia espectral de la piel negra y caucásica [Helin Dutağaci et al, 2008] y curva de radiación de la lámpara incandescente del sistema propuesto El índice se puede calcular como Para pieles de raza negra el índice es aproximadamente igual a 0.13. Para verificar la discriminabilidad en la detección de piel por parte del se utilizaran dos imágenes en la que además de una mano aparecen objetos de diferentes materiales sintéticos (dedo de silicona, anillo, plástico, etc…) y materiales orgánicos (hoja de árbol, manzana, etc…). Es importante utilizar materiales orgánicos dado su alto contenido de agua, lo cual los asemeja a las propiedades reflectantes de la piel. Ambas imágenes, en la banda roja y la de 1470 nm pueden verse en la figura 8.4. CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [127] Figura 8.4. Imágenes de la mano y diferentes materiales (Madera, silicona, metal, hojas, plástico,…) Izquierda: banda roja (650nm). Derecha: banda 1470nm. Los valores del índice para la piel y los diferentes materiales se pueden observar en la figura 8.5. Figura 8.5. Función de densidad de probabilidad del índice para piel humana y diferentes materiales Se puede observar como el pico debido a la piel muestra su máximo próximo a 0.65, valor que coincide con el valor teórico calculado anteriormente. La distancia entre las distribuciones de piel y otros materiales confirma la discriminabilidad del índice para detectar piel. Algunos materiales orgánicos como la fruta fresca se acercan a los valores de la piel y podrían llegar a confundirse en el caso de piel de raza negra. Entre los materiales sintéticos que más se acercan se encuentra la silicona. 8.1.3. Detector de vida multiespectral El detector de vida propuesto se basa en los siguientes pasos: -1 -0.5 0 0.5 1 0 5 10 15 20 MNDSI Probabilidad Distribución de materiales Distribución de piel cuero, telas Plastico, madera, metal,... Fruta fresca Hojas de árbol Silicona CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [128] 1. Sea las coordenadas del contorno de la mano obtenida en la banda 1470nm y las coordenadas de sus puntas y valles. 2. Sea la imagen reducida en visible a 320x240 pixeles, obtenida a través de una interpolación bilineal para ajustarse a las dimensiones de , y las coordenadas de sus puntas y valles. 3. Debido a que las dos cámaras están colocadas en diferentes posiciones, y no coinciden. Para extrapolar las primeras coordenadas a las segundas, dos polinomios de mínimos cuadrados se usan tal que: donde es la matriz de 2 columnas y 9 filas que minimiza el error cuadrático medio obtenida a partir de la pseudoinversa : 4. La detección de vida se realice en los dedos a partir de donde son las coordenadas extrapoladas de por la matriz . 5. El resultado es calculado como el 10º percentil de la distribución . El 10º percentil es escogido ya que otras medidas como la media de puede ser distorsionadas si el intruso cambia una parte solo del dedo añadiendo por ejemplo silicona para hacerlo más largo, más ancho, etc. Un percentil bajo hace demasiado sensible a ruido al sistema. De la figura 8.5, se obtiene un umbral razonable en 0.2. 6. Si el resultado de cada dedo es superior a un umbral, la muestra se considera genuina. 8.1.4. Base de datos multiespectral La base de datos consiste en 10 adquisiciones en ambas bandas de trabajo (visible y 1470 nm) de 100 personas. Las 2000 imágenes fueron adquiridas de la mano derecha de usuarios entre los 23 y 40 años mayoritariamente. Aproximadamente la mitad de los usuarios eran varones. La base de datos de muestras impostoras se componen de 5 adquisiciones de manos elaboradas con 54 diferentes materiales para un total de 540 diferentes imágenes. La figura 8.6 muestra ejemplos de los diferentes materiales en ambas bandas espectrales. CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [129] Figura 8.6. Ejemplos de imágenes obtenidas en bandas 1470nm (arriba) y rojo (abajo); De izquierda a derecha: mano genuina, arcilla, corcho, yeso, plástico negro y silicona. La tabla 8.1 detalla los diferentes materiales utilizados. Tabla 8.1. Materiales que componen la base de datos de manos genuinas e impostoras Manos Impostoras Observaciones Muestras Materiales sintéticos Plástico Colores blanco, amarillo, azul, naranja, rosa, rojo y verde 35 Papel Colores blanco, amarillo, azul, naranja, rosa, rojo y verde 35 Pape Imagen de la mano escaneada e impresa 600 ppp 5 Cartón Colores blanco, amarillo, azul, naranja, rosa, rojo y verde 35 Arcilla Seca color teja 5 Madera Haya, cerezo, pino y riga 20 Corcho Color blanco 5 Yeso Color blanco 5 Metal Acero inoxidable de color gris 5 Cuero Color negro 5 Guantes De tela de color rojo, marrón y beige 15 Silicona Alto contenido de agua 5 Materiales orgánicos Hojas árbol Eucalipto, naranja y laurel 15 Hojas árbol Los mismos una semana secos 15 Hojas árbol Los mismos dos semana secos 15 Fruta Naranja, plátano y manzana 15 Fruta Los mismos secos un día 15 Fruta Los mismos secos dos días 15 Carne Jamón fresco 5 Manos Genuinas Raza caucásica (50 usuarios masculinos y 48 femeninas) 980 Raza negra (2 usuarias femeninas) 20 8.1.5. Evaluación del sistema multiespectral La evaluación del sistema de detección de vida se basa en las guías proporcionadas por [B. Fernandez-Saavedra et al, 2008] y [International Standard ISO/IEC 19792]. Se utilizan 100x6 muestras de la base de datos para verificación (muestras no utilizadas en el entrenamiento). Por tanto se disponen de resultados genuinos y resultados impostores. El número de resultados impostores es considerablemente menor al de genuinos pero se debe tener en cuenta que los CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [130] resultados obtenidos con cada material son estables y donde se aprecian diferencias es en el cambio de un material a otro. Como el detector de vida realiza la comparación a partir de un umbral ya obtenido a priori, no hace falta entrenamiento. Para obtener las curvas FAR y FRR utilizamos como genuinas los primeros 3 imágenes de los primeros 90 usuarios y como impostores las 540 manos de diferentes materiales, tabla. La figura 8.7 muestra las curvas FAR y FRR de los resultados obtenidos para manos genuinas e impostoras. Con un umbral escogido a priori de 0.2, los únicos falsos rechazos se producen con las manos de raza negra. Todos los materiales, tanto sintéticos como orgánicos fueron correctamente rechazados. Figura 8.7. Curvas FAR y FRR de los obtenidas con manos genuinas e impostoras Para corregir los falsos rechazos de las manos negras se propone el uso del índice 2D-MNDSI, definido como , donde corresponde al color verde. De la figura, el centro teórico para piel caucásica y piel negra es y respectivamente. La figura 8.8 muestra la distribución de resultados del índice 2D-MNDSI para manos genuinas e impostoras. Se puede ver como una simple clasificación linear de Fisher sirve para discriminar correctamente todas las muestras. Figura 8.8. Distribución de resultados 2D-MNDSI para manos genuinas e impostoras 0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.2 0.4 0.6 0.8 1 umbral de clasificación probabilidad Curvas FAR y FRR del detector de vida Mano Caucásica Manos Caucásicas y Negras Materiales Sintéticos Materiales Sintéticos y Naturales -1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1 MNDSI(650,1470) MNDSI(510,1470) muestras de piel muestras impostoras Borde de Fisher centros teóricos para piel negra y caucásica CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [131] Para conocer de forma más precisa la discriminabilidad del detector de vida se calculará la distancia de Mahalanobis entre la distribución de las manos y los diferentes materiales. La distancia de Mahalanobis se obtiene como: donde , , , y representan la media y la varianza de para manos genuinas e impostoras respectivamente. Un valor bajo de sugiere unas propiedades del material similares a la mano. Una distancia de Mahalanobis alta significa una clara diferenciación entre la mano y el material, tabla 8.2. Tabla 8.2. Distancia de Mahalanobis entre manos y otros materiales Mano Arcilla Corcho Plástico Yeso Silicona Metal Fruta Hojas Mano 0,014 0,651 0,651 0,652 0,659 0,509 0,641 0,325 0,370 Arcilla 0,010 0,010 0,011 0,017 0,131 0,001 0,315 0,270 Corcho 0,006 0,007 0,013 0,135 0,004 0,319 0,274 Plástico 0,001 0,007 0,141 0,010 0,325 0,281 Yeso 0,004 0,144 0,013 0,328 0,284 Silicona 0,001 0,131 0,184 0,139 Metal 0,009 0,325 0,280 Fruta 0,082 0,038 Hojas 0,033 Los valores de distancia más bajos se obtienen cuando se comparan unas manos con otras. En cuanto a los materiales, la fruta fresca y las hojas son las que muestran una distancia más cercana a la obtenida con manos. 8.2. Mejora del sistema basada en detector V-NIR Para mejorar el rendimiento del sistema de detección de vida multiespectral se propone la fusión con información hiperespectral. El segundo sistema de detección vida propuesto se basa en curvas espectroscópicas obtenidas del dorso de la mano. La curva espectroscópica es la curva que caracteriza la reflexión de la piel en las diferentes bandas espectrales. Las imágenes espectrográficas fueron adquiridas a partir de una cámara CCD con un espectrógrafo capaz de obtener información entre los 380nm y los 1100nm. La figura 8.9 muestra un ejemplo de imagen espectral del dorso de la mano. CAPÍTULO VIII: SISTEMAS DE DETECCIÓN DE VIDA [132] Figura 8.9. Imagen espectrográfica del dorso de la mano Se adquiere la curva espectroscópica a partir de un ángulo fijo (0º). Una vez adquiridas, las curvas son filtradas a partir de un filtro de mediana de orden 15 y normalizadas a 1 para así obtener curvas promediadas y más robustas a cambios en la intensidad de la iluminación. Un ejemplo de este tipo de curvas se puede observar en la figura 8.10. Figura 8.10. Curvas espectrográficas de una mano genuina caucásica (línea continua) comparada con curvas de manos genuina negra y manos impostoras (línea discontinua) elaboradas con piel de naranja, madera de cerezo y plástico verde. Para caracterizar las curvas espectroscópicas, éstas se dividen en tres secciones: de 380nm a 600nm, de 600nm a 815nm que corresponde con el pico de reflexión y de 815nm a 1028nm. Cada sección se divide en 17 zonas equiespaciadas. El área generada por la curva en cada zona es calculada, obteniéndose así un vector de características de 51 componentes. 400 500 600 700 800 900 1000 0 0.5 1 longitud de onda (nm) reflectancia genuina caucásiva vs. genuina negra 400 500 600 700 800 900 1000 0 0.5 1 longitud de onda (nm) reflectancia mano genuina vs. piel de naranja 400 500 600 700 800 900 1000 0 0.5 1 longitud de onda (nm) reflectancia mano genuina vs. madera de cerezo 400 500 600 700 800 900 1000 0 0.5 1 longitud de onda (nm) reflectancia mano genuina vs. plastico verde CAPÍTULO VIII: CONCLUSIONES Y LÍNEAS FUTURAS [139] Figura 9.2. Preguntas generales sobre el uso del sistema biométrico Durante la adquisición de la base de datos GPDS-CL2 los usuarios también tuvieron la oportunidad de utilizar un sistema biométrico basado en firma online y uno basado en reconocimiento facial. Cuando se les pidió que compararan los tres sistemas se obtuvieron las respuestas mostradas en la figura 9.3. Figura 9.3. Comparativa entre diferentes sistemas biométricos La firma se muestra como el sistema más cómodo para el usuario mientras que muestra el peor resultado en lo que a privacidad se refiere. La mano muestra el mejor resultado en cuanto a privacidad y se asemeja bastante a la cara en lo que a higiene se refiere. Los usuarios están habituados a utilizar su firma como medio de autenticación a diario (pago con tarjetas de crédito por ejemplo) pero como la cara, la ven como un rasgo biométrico más personal, al adquirirla sienten que se invade su privacidad. La 90% 73% 90% 0 10 20 30 40 50 60 70 80 90 100 ¿Prefiere sin contacto a con contacto? ¿Prefiere Biometría frente a otros métodos? ¿Utilizaría el sistema a diario? 1,53 2,57 3,67 2,17 1,37 4,25 2,08 2,76 3,5 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 Privacidad Higiene Comodidad Mano sin contacto Firma Cara CAPÍTULO VIII: CONCLUSIONES Y LÍNEAS FUTURAS [140] mano por el contrario representa un rasgo mas amigable y adolece de un menor rechazo. 9.3. Líneas futuras A continuación se proponen las algunas líneas de investigación relacionadas con los principales aspectos tratados durante esta tesis:  La escalabilidad ya no solo de los sistemas propuestos sino de cualquier sistema biométrico basado en mano es en un tema de amplia discusión. Como se comporta un sistema biométrico similar a los propuestos en este documento cuando hablamos de decenas de millones de usuarios es una cuestión a tratar. La dificultad de tener acceso a bases de datos reales de este tamaño abre la puerta a métodos de generación de muestras sintéticas a partir de los cuales estimar el rendimiento de los sistemas.  La interoperabilidad entre diferentes sistemas es un campo en el que aún quedan muchas cuestiones por resolver. A este respecto interesa no solo saber el rendimiento cuando se utilizan diferentes dispositivos basados en una misma tecnología sino también el rendimiento cuando se utilizan sistemas de adquisición de naturaleza muy diferente. Un ejemplo sería entrenar al usuario mediante un escáner (sistema con contacto) y verificar su identidad posteriormente utilizando un sistema sin contacto basado en webcam como los presentados en este documento.  La identificación de personas a partir de biometría de la mano a distancia no colaborativa no ha sido tratada en este documento. Los sistemas propuestos en este documento precisan de la colaboración del usuario para adquirir las imágenes a procesar. Sistemas capaces de adquirir imágenes de la mano sin la colaboración del usuario dispararían la transparencia del sistema.  Estudiar las distintas formas de ataques o “spoofing” a las que se exponen estos sistemas y formas de dotarlos de una mayor robustez. En [Ricardo Rodrigues et al, 2010] se plantea una duda razonable acerca de si un sistema multimodal es más robusto por el mero hecho de incluir más biometrías. En dicho trabajo se expone que la seguridad del sistema vendrá dada por la seguridad del subsistema más débil por lo que se precisa de un estudio detenido de las características de todos los subsistemas para poder estimar la seguridad global del conjunto.  Estudiar nuevas biometrías como la huella digito palmar o textura de dedos en entorno sin contacto: durante la elaboración de este documento se ha trabajado principalmente con geometría, textura y huella palmar. A su vez se ha trabajado y descartado otros rasgos como nudillos del dorso, patrón vascular o textura de los dedos. No se descarta ningún rasgo biométrico para su utilización en un entorno sin contacto, pero si se cree que cada uno requerirá de adaptaciones para mejorar su rendimiento en este tipo de esquemas. CAPÍTULO VIII: CONCLUSIONES Y LÍNEAS FUTURAS [141]  Reducir la interacción usuario-dispositivo al mínimo. Se debería eliminar la necesidad de una pantalla en la que se muestra la silueta de referencia. Reducir la complejidad del sistema lo máximo posible para que el dispositivo final se pueda integrar de forma compacta. Sin dejar de ser un sistema colaborativo, el estudio de la identificación de la mano en movimiento puede mejorar la facilidad de uso de este tipo de dispositivos. Líneas Futuras continuistas  Investigar nuevos métodos de extracción de características y su comportamiento en un esquema sin contacto: a los métodos estudiados durante esta tesis se pueden añadir nuevas formas de extraer características o mejoras a los presentados en este documento. Un ejemplo es la sustitución de la transformada DCT utilizada en las medidas geométricas por otras técnicas de reducción de dimensionalidad tales como PCA, ICA o Wavelet.  Profundizar en el uso de los SIFT, reescribir el algoritmo para adaptarlo a los problemas de los sistemas sin contacto. La adaptación del método SIFT propuesta en este documento se basa en el pre-procesado de la imagen utilizada. Un estudio más profundo del método así como la adaptación del mismo a la identificación biométrica y la problemática de los esquemas sin contacto podría mejorar las tasas de reconocimiento presentadas hasta el momento.  En el presente documento se ha trabajado con técnicas de fusión simples y existe margen de mejora para comprobar el rendimiento de métodos de fusión más complejos.  Estudiar nuevos sistemas de adquisición más robustos a entornos no controlados. En el presente documento se ha propuesto el uso del espectro infrarrojo para solucionar problemas de segmentación en entornos no controlados. Mejoras tales como la utilización de luz polarizada o filtros en diferentes bandas podrían dotar de mayor robustez a la etapa de segmentación.  Detección de vida sin contacto. Los sistemas de detección de vida propuestos en el Capítulo VII aunque no precisan de contacto entre el dispositivo y el usuario, se han realizado a partir de imágenes adquiridas apoyadas sobre una superficie.  Búsqueda de soluciones de bajo coste basadas en los sistemas de detección de vida propuestos. La utilización de filtros espectrográficos de menor coste, así como sistemas de adquisición paso banda compuestos por una webcam y un filtro de banda estrecha pueden ser soluciones de bajo coste aplicables a los sistemas de detección de vida. CAPÍTULO VIII: CONCLUSIONES Y LÍNEAS FUTURAS [142] 1. REFERENCIAS [A. Jain et al, 1999] A. Jain, A. Ross y S. Pankanti, “A prototype hand geometry-based verification system,” in Proceeding 2nd Int. Conf. Audioand Video-Based Biometric Person Authentication, pp. 166–171. Mar. 1999. [A. Jain et al, 2001] A. Jain, R. Bolle, and S. Pankanti, Biometrics: Personal Identification in Networked Society, Kluwer Academic Publishers, 2001. [A. Jain et al, 2005] A. K. Jain, K. Nandakumar, and A. Ross, “Score normalization in multimodal biometric systems", Pattern Recognition, 2005. [A. Jain et al, 2006] A. Jain, A. Ross, y S. Pankanti, “Biometrics: A tool for information security”, IEEE Transactions on Information Forensics & Security, vol. 1, no. 2, pp. 125– 143, Jun. 2006. [A. Jain et al, 2006] A. Jain, Y. Chen, y M. Demirkus, M. “Pores and ridges: High resolution fingerprint matching using Level 3 features”, in IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 29, pp. 15-27. 2006. [A. de Santos Sierra et al, 2009] A. de Santos Sierra, J. Guerra Casanova, C. Sanchez Avila, and V. Jara Vera, “Silhouette-based hand recognition on mobile devices,” in 43rd Annual 2009 International Carnahan Conference on Security Technology, pp. 160–166, 2009. [Alphonse Bertillon, 1893] Alphonse Bertillon, Instructions signalétiques pour l'identification anthropométrique (1893). [A. Morales et al, 2007] A. Morales, M. A. Ferrer, C. M. Travieso, J. B. Alonso, “A knuckles texture verification method in a transformed domain”, in First Spanish Workshop in Biometrics. Girona Junio 2007. REFERENCIAS [145] [A. Morales et al, 2007] A. Morales, M. A. Ferrer, C. M. Travieso, J. B. Alonso, “Sistema de reconocimiento biométrico basado en la palma de la mano”. Campus de Excelencia. Fuerteventura 2007. [A. Morales et al, 2008] A. Morales, M. A. Ferrer, C. M. Travieso, J. B. Alonso, “Sistema de autenticación sin contacto basado en la geometría de la mano para entornos operacionales”. IV Jornadas de Reconocimiento Biométrico de Personas (JRBP08). Valladolid. Septiembre 2008. [A. Morales et al, 2008] A. Morales, C. M. Travieso. “Non-Cooperative Facial Biometric Identification Systems”. Encyclopedia of Artificial Intelligence. Information Science Reference. 978-1-59904-849-9. pp. 1259-1265. Mayo 2008. [A. Morales et al, 2008] A. Morales, M. A. Ferrer, F. Díaz, J. B. Alonso, C. M. Travieso, “Contact-free hand biometric system for real environments” on Proceedings 2008 European Signal Processing Conference (EUSIPCO-2008). Laussane. August 2008. [A. Morales et al, 2008] A. Morales, M. A. Ferrer, C. M. Travieso, J. B. Alonso, “Comparing infrared and visible illumination for contact-less hand based biometric scheme”, on 42nd IEEE International Carnahan Conference on Security Technology. Prage. Oct. 2008. [A. Morales et al, 2008] A. Morales, M. A. Ferrer, P. Henríquez, C. M. Travieso, J. B. Alonso , “Multifeature Knuckles Parameterization”. On The Proceedings International Conference on Artificial Intelligence and Applications. Innsbruck. February 2008. [A. Morales et al, 2009] Aythami Morales, Miguel Ángel Ferrer, Marcos Faundez, Joan Fàbregas, Guillermo Gonzalez, Javier Garrido, Ricardo Ribalda, Javier Ortega, Manuel Freire. “Biometric System Verification Close to "Real World" Conditions” on Biometric ID Management and Multimodal Communication, Joint COST 2101 and 2102 International Conference, BioID_MultiComm 2009, Madrid, Spain, September 16-18, 2009. [A. Morales et al, 2010] A. Morales, M. A. Ferrer. “Contact-free hand biometrics system for real environments based on geometric features”. Resent Advanced in Signal Processing. Ed. Intech. ISBN: 978-953-7619-41-1. pp. 185-194. Feb. 2010. [A. Morales et al, 2010] A. Morales, M. A. Ferrer y A. Kumar. “Improved Palmprint Authentication Using Contactless Imaging” in Proceeding IEEE Fourth International Conference on Biometrics: Theory, Applications and Systems, Washington, Sep 2010. [A. Morales et al, 2011a] A. Morales, M. A. Ferrer y A. Kumar. “Toward Contactless Palmprint Authentication” Enviado al Special Issue on Future in Biometric Processing, IET Computer Vision. Esperando revisión. REFERENCIAS [146] [A. Morales et al, 2011b] A. Morales, C. M. Travieso, M. A. Ferrer, J. B. Alonso, “Improved Finger Knuckle Print Authentication based on Orientation Enhancement”. Electronics Letters. Aceptado, pendiente de publicación. [A. Morales et al, 2011c] A. Morales, A. Kumar y M. A. Ferrer. “Incorporating Color information for reliable palmprint authentication”. Enviado al 2011 IEEE International Conference on Image Processing. Esperando revisión. [A. Kumar y Ch. Ravikanth, 2004] A. Kumar y Ch. Ravikanth, “Personal authentication using finger knuckle surface”, IEEE Transaction on Information. Forensics & Security, Vol. 4, pp. 98–110. 2009 [A. Kumar y D. Zhang, 2004] A. Kumar y D. Zhang, “Integrating shape and texture for hand verification”, in Proceedings of Third International Conference on Image and Graphics, pp.222-225, 2004. [A. Kumar, 2008] A. Kumar, “Incorporating Cohort Information for Reliable Palmprint Authentication,” on Proceedings Sixth Indian Conference on Computer Vision, Graphics and Image Processing, pp 112-119, Bhubaneswar (India), 2008. [A. Kumar et al, 2003] A. Kumar, D.Wong, H. C. Shen, and A. K. Jain, “Personal verification using palmprint and hand geometry biometric,” in Proceedings 4th International Conference AudioVideo-Based Biometric Person Authentication, pp. 668–678, 2003. [A. S. Nunez y M.J. Mendenhall, 2006] A.S.Nunez y M.J. Mendenhall, “Detection of human skin in near infrared hyper-spectral imagery” on IEEE International Geoscience and Remote Sensing Symposium, Vol.2, pp.621-624, 2008. [A. Antonelli et al, 2006] A. Antonelli, R. Cappelli, D. Maio, D. Maltoni, "Fake finger detection by skin distortion analysis," on IEEE Transactions on Information Forensics and Security, Vol.1, no.3, pp.360-373, Sept. 2006. [A. Wong y P. Shi, 2002] A. Wong y P. Shi, “Peg-free hand geometry recognition using hierarchical geometry and shape matching,” in Proeedings. IAPR Workshop on Machine Vision Applications, pp. 281–284 Nara, Japan, Dec. 2002. [A. Yukihiro, 2005] A. Yukihiro, “Biosensing Instrument and method and Identifying Device Having Biosensing function”, FUJITSU LIMITED, EP 1.530.949 A1, 2005. [B. S. Ata, 1976l] B. S. Atal, “Automatic recognition of speakers from their voices” on Proceedings of the IEEE, Vol. 64, pp. 460–475, 1976. [B. Tan, 2006] B. Tan, Schuckers, S. “Liveness Detection for Fingerprint Scanners based on the Statistics of Wavelet Signal Processing”, on Proceedings of the 2006 Conference on Computer Vision and Pattern Recognition Workshop, p.26, 2006. REFERENCIAS [147] [B. Fernandez-Saavedra et al, 2008] B. Fernandez-Saavedra, R. Sanchez-Reillo, R. Alonso-Moreno, “Evaluation Methodology for Fake Samples Detection in Biometrics”, in the 42nd IEEE International Carnahan Conference on Security Technology, pp. 233240, October 2008. [C. M Travieso et al, 2004] C. M Travieso, J. B. Alonso, S. David, Miguel A. Ferrer, “Optimization of a biometric system identification by hand geometry” on Proceedings Complex systems intelligence and modern technological applications, Cherbourg, France, pp. 581-586, 19-22 September 2004. [C. Methani, A. M. Namboodiri, 2009] C. Methani, A. M. Namboodiri, “Pose invariant palmprint recognition”, Proceedings of The 3rd edition of the International Conference on Biometrics, pp. 577-586, Jun. 2009. [C. Li et al, 2005] C. Li, C. Xu, C. Gui, y M. D. Fox, "Level Set Evolution Without Reinitialization: A New Variational Formulation", on 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005. [C. R. Blomeke et al, 2009] C. R. Blomeke, C.R.; Elliott, S.J.; Walter, T.M., "Bacterial Survivability and Transferability on Biometric Devices". on 41st Annual IEEE International Carnahan Conference on Security Technology, pp.80-84, Oct. 2007. [C. Schimke et al, 2004] C. Schimke, Vielhauer, P.K. Dutta, T.K. Basu, A. De Rosa, J. Hansen, B. Yegnanarayana, J. Dittmann, “Cross Cultural Aspects of Biometrics”, in Proceedings of Biometrics: Challenges arising from Theory to Practice. 2004. [D. Maio et al, 2002] D. Maio, D. Maltoni, R. Cappelli, J.L. Wayman, A.K. Jain, “FVC2000: Fingerprint Verification Competition,” IEEE Transaction Pattern Analysis and Machine Intelligence, Vol. 24(3), 402-412. 2002. [D. Maio et al, 2002] D. Maio, D. Maltoni, R. Cappelli, J.L. Wayman y A.K. Jain, "FVC2002: Second Fingerprint Verification Competition", in proceedings 16th International Conference on Pattern Recognition, Québec City, vol.3, pp.811-814, 2002. [D. Maltoni et al, 2003] D. Maltoni, D. Maio, A. Jain y S. Prabhakar. Handbook of Fingerprint Recognition. Springer, 2003. [D. Zhang et al, 2003] D. Zhang, W. Kong, J. You, y M. Wong, “Online Palmprint Identification” in IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25, no. 9, Sep 2003. [D. Zhang et al, 2010] D. Zhang, V Kanhangad, N Luo and A. Kumar, “Robust palmprint verification using 2D and 3D features”, Pattern Recognition, Volume 43 , Issue 1, pp.358-368. 2010. REFERENCIAS [148] [D. L. Woodard y P.J. Flynn, 2005] D.L. Woodard, P.J. Flynn, “Finger surface as a biometric identifier”, Computer Vision and Image Understanding, Vol. 100 (3), pp. 357– 384, 2005. [D. Baldisserra et al, 2006] D. Baldisserra, A. Franco, D. Maio, and D. Maltoni, “Fake fingerprint detection by odor analysis,” in Proceedings International Conference Biometric Authentication, Hong Kong, China, 2006. [D. G. Lowe, 2004] D. G. Lowe, "Distinctive image features from scale-invariant keypoints," Internation Journal on Computer Vision, Vol. 60 (2), pp. 91 110, 2004. [D. Pishva, 2007] D. Pishva, “Spectroscopic approach for aliveness detection in biometric authentication” in Proceedings 41st International Carnahan Conference on Security Technologies, pp133-137, October 2007. [E.Yörük et al, 2006] E.Yörük, E.Konukoglu, B.Sankur, and J.Darbon, “Shape-Based Hand Recognition”, in IEEE Transactions on Image Processing, Vol. 15 (7), pp. 18031805, July 2006. [Eduard Menoud, 1987] Eduard Menoud, “Procédé d’Identification d’une persone d’aprés la géometrie de la main”, Patent Nº CH661428A5. 1987. [F. Jelinek, 1997] F. Jelinek. “Statistical methods for speech recognition”. MIT Press, 1997. [M. Fleck et al, 2002] M. Fleck, D. A. Forsyth y C. Bregler. “Finding nacked people” in Proceedings of the Seventh European Conference on Computer Vision, Vol. 2, pp. 592 – 602, 2002. [F. Wolf et al, 2005] F. Wolf, A. Oermann, C. Vielhauer, P.K. Dutta, T.K. Basu, B. Yegnanarayana, “A Cross-Cultural Evaluation Framework for Behavioral Biometric User Authentication”, in Proceedings of the 29th Conference of the German Classification Society (GFKL), Special Track on Information Management for User and Data Authentication in IT Security, Magdeburg, 2005. [G. Zheng et al, 2007] G. Zheng, Wang, C.-J.; Boult, T. E., “Application of Projective Invariants in Hand Geometry Biometrics”, on IEEE Transactions on Information Forensics and Security, Vol. 2 (4), pp. 758 – 768, Dec. 2007 [G. Amayeh et al, 2006] G. Amayeh, G. Bebis, A. Erol, M. Nicolescu, “Peg-free hand shape verification using high order Zernike moments”, in Proceedings of the IEEE Workshop on Biometrics at CVPR06, New York, USA, 2006. [G. S. Badrinath y Phalguni Gupta, 2009] G. S. Badrinath y Phalguni Gupta, “Robust Biometric System Using Palmprint for Personal Verification” in Proc. of the Third International Conference on Advances in Biometrics, Vol. 558, pp. 554-565, 2009. REFERENCIAS [149] [G. S. Badrinath y Phalguni Gupta, 2008] G. S. Badrinath y Phalguni Gupta, “Palmprint verification usinf sift features” in Image Processing Theory, Tools and Application, pp. 1-8, 2008 [G. Boreki y A. Zimmer, 2005] G. Boreki y A. Zimmer, “Hand geometry: a new approach for feature extraction” in Fourth IEEE Workshop on Automatic Identification Advanced Technologies. pp: 149 – 154. October 2005. [G. K. Ong Michael et al, 2010] G. K. Ong Michael, T. Connie, A. T. B. Jin, “An innovative contactless palmprint and knuckle print recognition system” Pattern Recognition Letter, Volume 31 , Issue 12 , September 2010. [Gang Pan et al, 2008] Gang Pan, Zhaohui Wu, Lin Sun, “Liveness Detection for Face Recognition”, Department of Computer Science, Zhejiang University, 2008. [G. E. Walrafen y E. Pugh, 2004] G. E. Walrafen y E. Pugh, “Raman combinations and stretching overtones from water, heavy water and NaCl in water at shifts to ca. 7000 cm-1” in Journal of Solution Chemistry, Vol.33, pp. 81-97, 2004. [Hitoshi Fujii y Naoki Konishi, 2007] Hitoshi Fujii y Naoki Konishi, “Personal Identification Method for Acquiring Personal Identification Data”, US Patent Nº 2007/0177772 A1. 2007 [Helin Dutağaci et al, 2008] Helin Dutağaci, Büllent Sankur, Erdem Yörük, “Comparative analysis of global hand appearance-based person recognition”, in Journal of Electronic Imaging, Vol. 17 (1), pp. 11018-1 a 11018-19, Jan 2008. [IITD] IITD Palmprint Database, http://web.iitd.ac.in/~ajaykr/Database_Palm.htm [I. H. Jacoby et al, 1972] I. H. Jacoby, A. J. Giordano, and W. H. Fioretti, “Personnel Identification Apparatus”, US Patent Nº 3648240, 1972. [J. Ahlberg, 1999] J. Ahlberg, “A system for face localization and facial feature extraction”. Techical Report LiTH-ISY-R-2172, Linkoping University. 1999. [J. A. K. Suykens et al, 2002] J. A. K. Suykens, T. V. Gestel, J. D. Brabanter, B. D. Moor, J. Vandewalle, “Least Squares Support Vector Machines”, World Scientific Publishing Co., Pte, Ltd, 2002. [J. Daugman, 1994] J. Daugman, “Biometric Personal Identification System Based on Iris Analysis”, United States Patent, no. 5291560, 1994. [J. Ruiz-del-Solar y R. Verschae, 2004] J. Ruiz-del-Solar y R. Verschae, “Skin detection using neighbourhood information”, in Sixth IEEE International Conference Proceedings on Automatic Face and Gesture Recognition 2004. pp. 463 – 468, May 2004.