Identificación biométrica

Ident. biométrica
Identificación biométrica
Número especial de Computer, febrero 2000
1
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.
2
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)
3
Ident. biométrica
4
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.
5
Ident. biométrica
6
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
7
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.
8
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.
9
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.
10
Ident. biométrica
11
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
12
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.
13
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.
14
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)..
15
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
16
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.
17
Ident. biométrica
18
Ident. biométrica
Version 1 del sistema
del MIT
19
Ident. biométrica
2ª versión del
sistema del MIT
20
Ident. biométrica
21
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.
22
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
23
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
24
Ident. biométrica
25
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
26
Ident. biométrica
Fusión de sensores: suma de resultados o votación
27
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.
28
Ident. biométrica
El sistema normaliza
la cara y algunos de
los rasgos principales
29
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
30
Ident. biométrica
31
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.
32
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
33
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
34
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.
35
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
36
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.
37
Ident. biométrica
38
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:
39
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.
40
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)
41
Ident. biométrica
42
Ident. biométrica
Resultados de la verificación
43
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)
44
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
45
Ident. biométrica
Arch
Left loop
46
Ident. biométrica
Right loop
Scar
47
Ident. biométrica
Tented arch
Whorl
48
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
49
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.
50
Ident. biométrica
51
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
52
Ident. biométrica
53
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
54
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
55
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.
56
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.
57
Ident. biométrica
Cálculo del punto de registro cuando se trata de un arco
Cálculo del
punto de
registro
cuando se
trata de otra
cosa
58
Ident. biométrica
59
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
60
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.
61
Ident. biométrica
Resultados
62
Ident. biométrica
63