BIOMETRIA

1

Ident. biométrica

Identificación biométrica

Número especial de Computer, febrero 2000

2

Ident. biométrica

Introducción

• Motivación– Seguridad en el acceso a la información (psswd).

– Personalización de el entorno.

– Combatir el crimen, • Identificación de criminales

• Evitación de duplicación de identidades

• Evitar la suplantación de personalidad.

• Infraestructura de identificación personal robusta y fiable– Robusted: para que se pueda realizar en diversas circunstancias

– Fiable: la precision del reconocimiento debe ser alta.

3

Ident. biométrica

• Algunas medidas biométricas– Huellas dactilares (fingerprints). Comercializados desde los 60

– Caras: reconocimiento óptico y de signaturas infrarrojas

– Silueta de la mano

– Retina

– Iris

– Voz

– Firma escrita

– Orejas

– Olor

– Patrón de pulsación de teclado

– Pisada (Gait)

4

Ident. biométrica

5

Ident. biométrica

Definición

Sistema biométrico de identificación:

Sistema de reconocimiento estadístico de patrones que establece la autenticidad de una característica fisiológica o

de comportamiento que posee un usuario

Existe un nivel de incertidumbre inevitable debido al ruido y a las variaciones intrínsecas y extrínsecas de la señal.

• Fases (módulos) del sistema– Registro (enrollment): se presentan las personas que van a ser

reconocidas. (se construye la BD de identidades)

– Identificación (operativa): se verifica la identidad o se identifica a los usuarios.

6

Ident. biométrica

7

Ident. biométrica

Fase de registro

• Se digitalizan las características biométricas

• Se realiza la extracción de características para la clasificación (depende de las medidas biométricas)

• Se construye la BD de caracteristicas

• Se entrena el clasificador

• No hay una restricción de tiempo real estricta

8

Ident. biométrica

Fase de identificación

• Los usuarios se presentan y se toman las medidas biométricas.

• Se extraen las características para clasificación.

• Se aplica el clasificador entrenado para determinar si se reconoce al usuario.

• Puede haber restricciones fuertes de tiempo real.

9

Ident. biométrica

Escenarios

• Verificación: se trata de autentificar la identidad que el usuario proclama como suya.– La identidad es una información a priori que limita la búsqueda en

al BD

– El problema pasa a ser clasificación en dos clases.

• Reconocimiento: determinar la identidad a partir de la información en la BD.– Implica busqueda exahustiva en la BD

– El problema es de clasificación en múltiples (numerosas) clases.

10

Ident. biométrica

Elementos de rendimiento

• Precisión: está condicionada por – El nivel de ruido en el sensor.

– La potencia del clasificador y el conjunto de características.

– La variabilidad inherente a la medida biométrica.

• Costo: la reducción de costos puede comprometer la precisión del sistema (sensores, tiempo de cálculo,etc).

• Integración de múltiples medidas: es inevitable dado que– Un porcentaje de la población puede carecer de una medida

biométrica

– Aumenta la capacidad de discriminación del sistema.

11

Ident. biométrica

12

Ident. biométrica

Elementos de rendimiento

• Facilidad de uso:– Requerimientos de cooperación del usuario

• Privacidad: la información biométrica debe quedar fuera de especulación.

• Facilidad de desarrollo:necesidad de la definición de estandards de componentes para la programación de sistemas

13

Ident. biométrica

Reconocimiento de caras

• Justificación para tomar el reconocimiento de caras como medida biométrica– Es poco intrusiva (reconocimiento a distancia).

– Se ha avanzado hasta llegar a productos comerciales eficientes.

– Costo reducido,

– No se restringe el movimiento del usuario.

– Es natural.

– Es pasivo, en el sentido de que no necesita “iluminación” específica.

14

Ident. biométrica

Condiciones en las que funciona

• En condiciones de iluminación normales, el color de la cara está bastante bien acotado

• En vistas frontales, la geometría de la cara se simplifica.

• No se producen cambios de escala.

• No hay variaciones del mapa de reflectancia de la cara (maquillaje)

• No hay variaciones de la estructura de la cara: gafas, barbas, etc.

15

Ident. biométrica

Representación y reconocimiento

• Se utiliza un conjunto de caras para el entrenamiento.

• Se realizan reducciones de dimensión para extraer las características– Karhunen-Loeve transform, PCA e ICA

– Ritz aproximation

– Representaciones de filtros dispersos (Gabor jets)

• Se estima la PDF de las características (mezcla de gausianas) a partir de los datos.

• El reconocimiento consiste en aplicar la decisión de máxima probabilidad a posteriori (MAP)..

16

Ident. biométrica

Intentos de Reconocimiento de caras

• Kohonen propuso por primera vez el uso de PCA (exigía normalización y alineación)

• Kirby & Sirovich mejoran el cálculo de las eigenfaces

• Turk & Pentland proponen la localización basada en el error residual y el reconocimiento basado en los PCA

• ARPA establece el programa Feret, con una base de datos de 1196 individuos.

• cuatro algoritmos basicos que han dado lugar a sistemas comerciales

17

Ident. biométrica

• Se puede obtener buenos resultados con bases de datos de menos de 200 individuos utilizando simplemente la correlación como medida de similitud.

• Los algoritmos se comportan de forma similar– 95% reconocimiento sobre imágenes frontales del mismo día.

– 80% con diferentes cámaras o condiciones de iluminación.

– 50% para imágenes tomadas un año después.

18

Ident. biométrica

19

Ident. biométrica

Version 1 del sistema del MIT

20

Ident. biométrica

2ª versión del sistema del MIT

21

Ident. biométrica

22

Ident. biométrica

Evaluación de sistemas biométricos

• Elementos para un sistema biométrico (de identificación) ideal:– todos los miembros de la población poseen la característica

biométrica (iris, huella dactilar, cara, etc)

– La signatura biométrica de cada individuo es diferente de las demás en la población de control.

– Las signaturas biométricas son invariantes a las condiciones de captura.

– El sistema resiste contramedidas.

23

Ident. biométrica

Estadisticas de interés

• Para sistemas de identificación:– Porcentaje de aciertos: un acierto es la aparición del individuo

entre una lista de los mejores candidatos.

• Para un sistema de verificación:– Tasas de falsos positivos (false alarm) y falsos negativos (false

reject). (ROC analisis).

– El balance óptimo de estas tasas depende de la aplicación

24

Ident. biométrica

Metodología de evaluación

• Una agencia independiente recolecta una base de datos de casos experimentales

• Se hacen publicos un conjunto de casos para que los grupos construyan sus sistemas

• Se evaluan los sistemas aplicandolos a un conjunto secuestrado de datos, que no eran accesibles previamente

• De ser posible se gradua la dificultad del reconocimiento

25

Ident. biométrica

26

Ident. biométrica

Un sistema multimodal: BioId

• Para aumentar la robusted de los sistemas es recomendable combinar varias medidas biométricas.– Un usuario puede carecer de una medida o tenerla deteriorada

– Medidas biométricas de individuos distintos pueden ser muy similares (gemelos…)

• Reconocimiento del hablante es la identificación del hablante en función del análisis de la señal sonora de su voz.

• BioId usa caras, voz y movimiento de los labios

27

Ident. biométrica

Fusión de sensores: suma de resultados o votación

28

Ident. biométrica

La localización precisa de la cara es una de las tareas más delicadas debido a que condiciona la extracción de los labios y el reconocimiento.

Se realiza calculando la mínima distancia de Hausdorf entre las imágenes binarias de bordes.

29

Ident. biométrica

El sistema normaliza la cara y algunos de los rasgos principales

30

Ident. biométrica

De las 17 primeras imágenes del usuario pronunciando una palabra se extraen 16 campos de movimiento.

Se calcula una transformada 3D de Fourier para reducir los datos

31

Ident. biométrica

32

Ident. biométrica

La clasificación consiste en el producto de los patrones normalizados y en una selección winner-take-all condicionada a que la distancia entre los dos primeros sea mayor que un umbral.

33

Ident. biométrica

Reconocimiento de la geometría de la mano

• Biometric identification through hand geometry measurement, R. Sanchez-Reillo, C. Sanchez-Avila, A. Gonzalez-Marcos, IEEE TPAMI 22(10) pp. 1168-1171

• Extraen un conjunto de medidas de anchura y altura de la mano

• Prueban diversos modos de clasificación y conjuntos de características

• Han creado una bd de imágenes para la verificación experimental

34

Ident. biométrica

Introducción

• Ventajas de la forma de la mano como medida biometrica– Medio/bajo costo

– Algoritmos computacionales de baja complejidad

– Pequeño tamaño de los patrones

– Facil y atractivo para los usuarios

– No tiene relación con registros policiales, legales o criminales

• Tipos de aplicaciones– Clasificación

– Verificacion

35

Ident. biométrica

Una camara capta la vista lateral y zenital de la mano con la ayuda de un espejo.

La cámara se dispara cuando los sensores de presión están activados.

La posición de la mano está restringida por los sensores.

36

Ident. biométrica

Proceso

• Captura: la cámara se dispara sólo cuando todos los sensores están activos. La mano está forzada a posicionarse adecuadamente

• Preproceso : – Paso a niveles de gris: IBW=<<IR+IG>-IB>

– Binarización por un umbral predeterminado.

– Registro para eliminar variaciones en posición de la cámara: se detectan dos de los topes y se rota y re-escala la imagen.

– Detección de bordes mediante el operador de Sobel

37

Ident. biométrica

Medidas

• Anchuras: – Los cuatro dedos (sin considerar el pulgar) se miden a distintas

alturas.

– La anchura de la palma (w0)

– Las distancias entre los tres puntos inter-digitales en coordenadas verticales y horizontales

• Alturas (perfil): el dedo medio, el pequeño y la palma

• Desviaciones: distancia entre el punto medio del dedo y la recta que une el punto interdigital y la última altura del dedo

• Ángulos entre los puntos interdigitales y la horizontal.

38

Ident. biométrica

39

Ident. biométrica

Clasificación

• Selección de características: en base a la F ratio entre las variabilidades interclase e intraclase, reduce de 31 a 25

• Métodos:– Distancia Euclídea al representante de la clase

– Distancia de Hamming: cuenta el número de características que caen fuera del intervalo de confianza:

40

Ident. biométrica

Clasificación

• Métodos– Modelos de mezcla de gausianas: (GMM)

– Redes de función de base radial (RBF): No las utiliza para el proceso de verificación de identidad debido a que el entrenamiento no puede hacerse para cada individuo por separado.

41

Ident. biométrica

Experimentos

• Base de datos:– 10 imágenes de 20 personas de diferentes edades,sexo y estilo de

vida.

– Facilidad de uso y robusted frente a coloraciones de la piel.

• Datos de registro (enrollent): tres a cinco imágenes

• Experimentos – Clasificación : basados en distintos conjuntos de registro

(enrollment) y distintos numeros d ecaracterísticas

– Verificación: resultados en FAR (false acceptance ratio) y FRR (false rejection ratio)

42

Ident. biométrica

43

Ident. biométrica

Resultados de la verificación

44

Ident. biométrica

PCASYS

• Sistema desarrollado en el NIST 1995

• Clasifica las imágenes de huellas (fingerprints) en seis clases: arch, left loop, right loop, scar, tented arch, whorl

• Pasos de proceso– Segmentación de la imagen

– Mejora de la imagen

– Extracción de características

– Registro

– PCA

– Clasificación (Probabilistic Neural Network)

45

Ident. biométrica

Introducción y motivación

• Identificación en base a las huellas dactilares se basa en la comparación de ridges (crestas) endings y bifurcaciones (minutiae)

• La partición del conjunto de imágenes en clases disjuntas puede reducir el tiempo de búsqueda inmensamente.

• Las clases corresponden a una versión de clasificación de alto nivel del algoritmo standard (Henry)

• Las imágenes corresponden a escaneados a 500 dpp de 512x480 como mínimo

46

Ident. biométrica

Arch Left loop

47

Ident. biométrica

Right loopScar

48

Ident. biométrica

Tented arch Whorl

49

Ident. biométrica

Segmentador de la imagen

• Produce una imagen de 512x480 que contiene la impresión de la última falange. Intenta estimar la rotación.

• Pasos: – Binarización: descompone en bloques de 8x8 y realiza la

binarización localmente según un factor de diferencia entre el minimo y el maximo de los valores en el bloque. El resultado es el “foreground”.

– Limpieza: tres pasos de erosión, elimina todos los componentes conectados excepto el más grande, rellena el envolvente rectangular del componente conexo.

– Calcula el centroide de la imagen limpiada

50

Ident. biométrica

segmentador

• Pasos (cont)– Bordes superior, inferior, izqdo y dcho. Se realiza una búsqueda

linea a linea (col a col) para encontrar los límites del blob.

– Calcula la inclinación global del foreground: ajusta lineas a los bordes del blob. La inclinación global es la media de las inclinaciones izqda y dcha.

– Sobre partir del centroide calcula un rectangulo del tamaño deseado. Examina las filas hasta encontrar el comienzo del fingerprint y ajusta el corte en función de la inclinación detectada.

51

Ident. biométrica

52

Ident. biométrica

Mejora de la imagen

• Procesa bloques de 32x32 desplazados 24 pixels.

• Realiza la FFT, un filtrado no lineal de la transformada y la transformación inversa.

• El filtrado no lineal consiste en – Hacer cero los coeficientes de las altas y bajas frecuencias

– Multiplica los coeficientes de la transformada por el espectro elevado a 0.3

• Sobre la imagen 32x32 recuperada – Toma el centro 24x24

– Suma 128 a lo niveles de gris

53

Ident. biométrica

54

Ident. biométrica

Detector de crestas y valles

• Se aplica una máscara de “slits” donde las sumas corresponden a los vecinos con el mismo número

• La binarización local hace blanco el pixel si el valor del pixel supera el promedio de los slits

• La comparación de slits hace blanco el pixel de salida si

• Combinación

55

Ident. biométrica

Orientaciones de las crestas y valles obtenida a partir de la máscara de slits.

Para una cresta, la orientacion es la de su mínimo slit, para un valle la de su máximo slit.

Promediando las orientaciones obtenidas en bloques de 16x16 se obtiene una imagen mas suave y menos ruidosa de las orientaciones

56

Ident. biométrica

Registro • Se trata de encontrar una característica consistente y llevarla a una posición

standard. (alg. r92). El registro consiste en una traslación.• El punto de registro es el centro de un loop de una huella tipo whorl o un punto

análogo en otras huellas.• La posición estándar es la mediana de las posiciones de la característica en un

conjunto de casos de entrenamiento.

57

Ident. biométrica

Algoritmo r92

• Procesa las orientaciones en forma angular en intervalos 0˚ a 90˚ y 0˚ a -90˚.

• Construye la “k-table” donde se registra para cada fila la primera posición en la que el ángulo pasa de positivo a negativo. Además se tiene las posiciones en la matriz de orientaciones, y la medida de la buena formación del arco en esa posición.

• La medida de la buena formación del arco depende de los ángulos vecinos en la fila a la entrada en la k-tabla. Tratan de determinar el índice de curvatura

• Se declara vencedora a la entrada en la k-tabla con mayor score.

58

Ident. biométrica

Cálculo del punto de registro cuando se trata de un arco

Cálculo del punto de registro cuando se trata de otra cosa

59

Ident. biométrica

60

Ident. biométrica

Extracción de caracteristicas

• Trasnformada en componentes principales o de Karhunen-Loeve

• Se aplican pesos regionales a la matriz de orientación antes de la transformada PCA para dar mas importancia al centro de la imagen

61

Ident. biométrica

Clasificador: Probabilistic Neural Networks

Activación de la clase i-esima

Confianza de la clasificación dada como la normalización de la máxima activación respecto de las demás.

62

Ident. biométrica

Resultados

63

Ident. biométrica