-
Reconocimiento Automático de Huella Dactilar
Javier Ortega GarcíaEPS-UAM
Reconocimiento Automático de Huella Dactilar 2
SUMARIO1.1. HistoriaHistoria
2.2. FormaciFormacióón de las huellasn de las huellas
3.3. Reconocimiento (tradicional) de huellas
dactilaresReconocimiento (tradicional) de huellas dactilares
4.4. AdquisiciAdquisicióón de huellas dactilaresn de huellas
dactilares
5.5. Reconocimiento (automReconocimiento (automáático) basado en
minuciastico) basado en minucias
6.6. Reconocimiento (automReconocimiento (automáático) basado en
texturastico) basado en texturas
7.7. Reconocimiento (automReconocimiento (automáático) basado en
correlacitico) basado en correlacióónn
8.8. Evaluaciones competitivasEvaluaciones competitivas
9.9. ProblemProblemáática actual y ltica actual y lííneas
futurasneas futuras
Reconocimiento Automático de Huella Dactilar 3
1. Historia1. HistoriaPrimeros trabajos y desarrollo inicial
Primeros trabajos y desarrollo inicial
•• Evidencias arqueolEvidencias arqueolóógicas que relacionan
huellas con identidadgicas que relacionan huellas con identidad
•• Primeros trabajos cientPrimeros trabajos cientííficos: s. XVI
(formacificos: s. XVI (formacióón anatn anatóómica, mica,
caracterizacicaracterizacióón, individualidadn,
individualidad……))
•• Inicialmente, investigaciInicialmente, investigacióón en n en
áámbito policial: s. XVIIImbito policial: s. XVIII--XIXXIX
•• AceptaciAceptacióón formal como mn formal como méétodo de
identificacitodo de identificacióón personal (principio n personal
(principio s. XX)s. XX)
–– Agencias gubernamentalesAgencias gubernamentales
–– Bases de datos (DNI, criminalesBases de datos (DNI,
criminales……))
–– AdquisiciAdquisicióón de huellas latentes en escena de
crimenn de huellas latentes en escena de crimen……
Reconocimiento Automático de Huella Dactilar 4
Actualidad Actualidad •• A partir de aA partir de añños 60:
sistemas automos 60: sistemas automááticosticos
–– 2003: 200 millones de tarjetas impresas en archivos FBI2003:
200 millones de tarjetas impresas en archivos FBI
–– Miles de peticiones diarias de identificaciMiles de
peticiones diarias de identificacióónn
•• RRáápido crecimiento de aplicaciones comerciales civilespido
crecimiento de aplicaciones comerciales civiles
1. Historia1. Historia
-
Reconocimiento Automático de Huella Dactilar 5
Actualidad Actualidad
•• Huella dactilar sigue acaparando la mayorHuella dactilar
sigue acaparando la mayoríía del mercadoa del mercado
1. Historia1. Historia
Reconocimiento Automático de Huella Dactilar 6
Dactilograma: Dactilograma: Figura formada por el relieve de
crestas del dedoFigura formada por el relieve de crestas del
dedo••Natural: observado directamente en las huellas de los
dedosNatural: observado directamente en las huellas de los
dedos
••Latente (Latente (huella dactilarhuella dactilar): impresi):
impresióón por contacto en una superficien por contacto en una
superficie
••Artificial (Artificial (impresiimpresióón digitaln digital):
reproducci): reproduccióón grn grááfica del naturalfica del
natural
2. Formaci2. Formacióón de las huellasn de las huellas
Reconocimiento Automático de Huella Dactilar 7
••FormaciFormacióónn de las huellas a partir del sde las huellas
a partir del sééptimo mes fetalptimo mes fetal
••Perenne:Perenne: invariabilidad hasta la
descomposiciinvariabilidad hasta la descomposicióón n
postpost--mortemmortem (excepto (excepto accidentes) y capacidad
regenerativaaccidentes) y capacidad regenerativa
••Individualidad:Individualidad: son figuras de tal variedad que
resultan totalmente son figuras de tal variedad que resultan
totalmente caractercaracteríísticas de cada individuosticas de cada
individuo
INTERESANTES PARA IDENTIFICACIINTERESANTES PARA IDENTIFICACIÓÓN
PERSONALN PERSONAL
2. Formaci2. Formacióón de las huellasn de las huellas
Reconocimiento Automático de Huella Dactilar 8
3. Reconocimiento de huellas dactilares3. Reconocimiento de
huellas dactilares••Puntos caracterPuntos caracteríísticos de las
crestas de huellasticos de las crestas de huella
––Se definen varios cientos de tiposSe definen varios cientos de
tipos
––La coincidencia en nLa coincidencia en núúmero suficiente de
puntos caractermero suficiente de puntos caracteríísticos (tipo,
sticos (tipo, ubicaciubicacióón, taman, tamañño y orientacio y
orientacióón) entre dos huellas implica que ambas huellas n) entre
dos huellas implica que ambas huellas pertenecen inequpertenecen
inequíívocamente a la misma personavocamente a la misma persona
––El sistema judicial espaEl sistema judicial españñol fija ese
nol fija ese núúmero en 12mero en 12
-
Reconocimiento Automático de Huella Dactilar 9
3. Reconocimiento de huellas dactilares3. Reconocimiento de
huellas dactilares••Puntos caracterPuntos caracteríísticos de las
crestas de huellasticos de las crestas de huella
––A efectos prA efectos práácticos, los sistemas automcticos,
los sistemas automááticos suelen considerar solamente ticos suelen
considerar solamente dos: terminacidos: terminacióón y bifurcacin y
bifurcacióón de cresta (minucias)n de cresta (minucias)
––Existen otros dos tipos de puntos que permiten clasificar el
tipExisten otros dos tipos de puntos que permiten clasificar el
tipo de huellao de huella
Reconocimiento Automático de Huella Dactilar 10
3. Reconocimiento de huellas dactilares3. Reconocimiento de
huellas dactilares••Puntos caracterPuntos caracteríísticos de las
crestas de huellasticos de las crestas de huella
––Tipos de huella segTipos de huella segúún el nn el núúmero de
mero de loopsloops y deltasy deltas
Reconocimiento Automático de Huella Dactilar 11
4. Adquisici4. Adquisicióón de huellas dactilaresn de huellas
dactilares••OffOff--lineline: : AdquisiciAdquisicióón tradicional
mojando el dedo en tintan tradicional mojando el dedo en tinta
••OnOn--lineline: : Presionando contra la superficie plana de un
Presionando contra la superficie plana de un
sensorsensor––SensorSensor óópticoptico: prisma iluminado, capta
luz reflejada en el dedo: prisma iluminado, capta luz reflejada en
el dedo
––SensorSensor de estado sde estado sóólidolido: : arrayarray de
de sensoressensores de silicio en circuito de silicio en circuito
abierto, el dedo cierra el circuito al ponerse sobre el abierto, el
dedo cierra el circuito al ponerse sobre el sensorsensor
––SensorSensor de ultrasonidosde ultrasonidos: captura de ecos
de se: captura de ecos de seññal ultrasal ultrasóónica nica
reflejados en reflejados en el dedoel dedo
Reconocimiento Automático de Huella Dactilar 12
4. Adquisici4. Adquisicióón de huellas dactilaresn de huellas
dactilares
ÓÓPTICOPTICO TTÉÉRMICO RMICO (de desplazamiento)(de
desplazamiento)
CAPACITIVOCAPACITIVO
-
Reconocimiento Automático de Huella Dactilar 13
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias
Reconocimiento Automático de Huella Dactilar 14
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Campo de orientaciCampo de orientacióónn
––Angulo de las crestas con la horizontalAngulo de las crestas
con la horizontal
––Calculo en bloques en lugar de pCalculo en bloques en lugar de
pííxeles (menos sensible a ruido)xeles (menos sensible a ruido)
––El gradiente es perpendicular a la direcciEl gradiente es
perpendicular a la direccióón de las crestasn de las crestas
––Ejemplo estimaciEjemplo estimacióón de mn de míínimos
cuadrados:nimos cuadrados:
––En ocasiones, el En ocasiones, el áángulo no se calcula
correctamente debido al ruido o a la ngulo no se calcula
correctamente debido al ruido o a la presencia de desperfectos en
crestas y vallespresencia de desperfectos en crestas y valles
––Dado que el Dado que el áángulo de cresta varngulo de cresta
varíía lentamente a lo largo de la huella a lentamente a lo largo
de la huella (excepto en puntos singulares), se realiza un
promediado (filtra(excepto en puntos singulares), se realiza un
promediado (filtrado paso bajo)do paso bajo)
WW = tama= tamañño bloque de promediadoo bloque de
promediadoGGxx, , GGyy = gradiente en direcci= gradiente en
direccióón n xx, , yy
Reconocimiento Automático de Huella Dactilar 15
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Campo de orientaciCampo de orientacióónn
––Ejemplo filtrado paso bajo:Ejemplo filtrado paso bajo:
EliminaciEliminacióón n incertidumbre entre incertidumbre
entre
direcciones de crestas direcciones de crestas
opuestasopuestas
MMááscara paso bajoscara paso bajoVentana filtradoVentana
filtrado
Reconocimiento Automático de Huella Dactilar 16
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Campo de orientaciCampo de orientacióónn
––Resultado:Resultado:
––El campo de orientaciEl campo de orientacióón permite fijar
parn permite fijar paráámetros de funciones metros de funciones
adaptativasadaptativas en en pasos siguientespasos siguientes
––Consistencia del campo de orientaciConsistencia del campo de
orientacióón en el entorno de (n en el entorno de (i,ji,j):):
Diferencia de Diferencia de áángulo con zonas ngulo con zonas
adyacentesadyacentesEntorno de promediadoEntorno de promediado
-
Reconocimiento Automático de Huella Dactilar 17
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••ExtracciExtraccióón regin regióón de intern de
interééss
––Separar regiSeparar regióón de crestas y valles del fondo de
la imagenn de crestas y valles del fondo de la imagen
•• En la zona de crestas y valles, la varianza de gris es alta
en lEn la zona de crestas y valles, la varianza de gris es alta en
la direccia direccióón n ortogonal a las crestasortogonal a las
crestas
•• En el fondo de la imagen, la varianza de gris es baja en
todas lEn el fondo de la imagen, la varianza de gris es baja en
todas las as direccionesdirecciones
Reconocimiento Automático de Huella Dactilar 18
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••ExtracciExtraccióón de crestasn de crestas
––BinarizaciBinarizacióónn de la imagen en crestas y vallesde la
imagen en crestas y valles
––Se filtra la huella con Se filtra la huella con mascaras
mascaras adaptativasadaptativas gaussianasgaussianas capaces de
aumentar capaces de aumentar el nivel de gris en la direcciel nivel
de gris en la direccióón normal a la direccin normal a la
direccióón de la cresta y se aplica un n de la cresta y se aplica
un umbralumbral al nivel de gris.al nivel de gris.
ÁÁngulo segngulo segúún la orientacin la orientacióón de cada
zona de la imagenn de cada zona de la imagen
Anchura adaptada al tamaAnchura adaptada al tamañño de crestas
to de crestas tíípicopico
Reconocimiento Automático de Huella Dactilar 19
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••ExtracciExtraccióón de crestasn de crestas
Reconocimiento Automático de Huella Dactilar 20
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias
••Perfilado de crestasPerfilado de crestas––Filtrado adicional
de la imagen binariaFiltrado adicional de la imagen binaria
•• Realce de bordes: adiciRealce de bordes: adicióón de
componentes paso alton de componentes paso alto
•• EliminaciEliminacióón de artefactos: filtrado con mn de
artefactos: filtrado con mááscaras de impulsos orientados segscaras
de impulsos orientados segúún la n la direccidireccióón de la
crestan de la cresta
-
Reconocimiento Automático de Huella Dactilar 21
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Adelgazamiento Adelgazamiento ((thinningthinning)) de
crestas: de crestas: reduccireduccióón a anchura de un n a anchura
de un ppííxelxel
••EliminaciEliminacióón de imperfeccionesn de imperfecciones
Reconocimiento Automático de Huella Dactilar 22
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••ExtracciExtraccióón de minucias: n de minucias: para un
ppara un pííxel de cresta tenemos:xel de cresta tenemos:
––Final de cresta: si el nFinal de cresta: si el núúmero de
pmero de pííxeles de cresta en el entorno es 1xeles de cresta en el
entorno es 1
––BifurcaciBifurcacióón: si el nn: si el núúmero de pmero de
pííxeles de cresta en el entorno es 3xeles de cresta en el entorno
es 3
––Para cada minucia almacenamos: coordenadas, Para cada minucia
almacenamos: coordenadas, áángulo y muestreo de parte de ngulo y
muestreo de parte de la cresta asociadala cresta asociada
––Se realiza un Se realiza un postprocesadopostprocesado
adicional que:adicional que:
•• Elimina minucias cercanas al borde de la huella (final de
crestaElimina minucias cercanas al borde de la huella (final de
cresta))
•• Sustituye grupos muy densos de minucias por una minucia
centralSustituye grupos muy densos de minucias por una minucia
central
Reconocimiento Automático de Huella Dactilar 23
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••ComparaciComparacióón de patrones de minuciasn de
patrones de minucias
––Alineamiento: estimar traslaciAlineamiento: estimar
traslacióón, rotacin, rotacióón y distorsin y distorsióónn
––MatchingMatching: calcular la similitud entre ambos patrones
alineados (b: calcular la similitud entre ambos patrones alineados
(búúsqueda de squeda de pares de minucias coincidentes)pares de
minucias coincidentes)
Reconocimiento Automático de Huella Dactilar 24
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Alineamiento: bAlineamiento: búúsqueda minucias de
referenciasqueda minucias de referencia
––Menor distorsiMenor distorsióón en la parte central de la
huellan en la parte central de la huella
––Tomando una minucia de cada huella, buscamos la similitud
entre Tomando una minucia de cada huella, buscamos la similitud
entre crestas crestas asociadas y elegimos el par de minucias cuyas
crestas asociadas asociadas y elegimos el par de minucias cuyas
crestas asociadas sean msean máás s parecidasparecidas
-
Reconocimiento Automático de Huella Dactilar 25
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••AlineamientoAlineamiento
––Obtenida la traslaciObtenida la traslacióón y rotacin y
rotacióón, alineamos las minucias de ambas huellas n, alineamos las
minucias de ambas huellas respecto a la minucia de
referenciarespecto a la minucia de referencia
Reconocimiento Automático de Huella Dactilar 26
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••MatchingMatching
––Pasamos minucias a polares tomando como origen la minucia de
refPasamos minucias a polares tomando como origen la minucia de
referencia erencia (punto de m(punto de mááxima consistencia)xima
consistencia)
––Ordenamos las minucias en orden creciente de Ordenamos las
minucias en orden creciente de áángulo y distancia, formando ngulo
y distancia, formando sendas cadenas de puntos en polares, que
sersendas cadenas de puntos en polares, que seráán los patrones a
compararn los patrones a comparar
––Se efectSe efectúúa la comparacia la comparacióón de ambas
cadenas mediante la minimizacin de ambas cadenas mediante la
minimizacióón de n de una funciuna funcióón de coste llamada
distancia de edicin de coste llamada distancia de edicióón,
calculando n, calculando el nel núúmero total mero total ““MMpqpq””
de minucias coincidentes en ambas cadenasde minucias coincidentes
en ambas cadenas
––Calculamos una medida global de similitud Calculamos una
medida global de similitud SS::
M, NM, N = n= núúmero de minucias mero de minucias de cada
huellade cada huella
S S = 100 = 100 ⇒⇒ todas las minucias todas las minucias
coincidentescoincidentes
S S = 0 = 0 ⇒⇒ ninguna minucia ninguna minucia
coincidentecoincidente
Reconocimiento Automático de Huella Dactilar 27
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••MatchingMatching
•• para cada par de puntos de las cadenas de comparacipara cada
par de puntos de las cadenas de comparacióón, se define un entorno
capaz n, se define un entorno capaz de indicar si dos minucias
forman parejade indicar si dos minucias forman pareja
•• dicho entorno puede ser variable segdicho entorno puede ser
variable segúún la regin la regióón donde se encuentra las minucias
a n donde se encuentra las minucias a comparar (distancia y
comparar (distancia y áángulo), modelando asngulo), modelando asíí
distorsiones no linealesdistorsiones no lineales
Reconocimiento Automático de Huella Dactilar 28
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••MatchingMatching
-
Reconocimiento Automático de Huella Dactilar 29
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Problemas del mProblemas del méétodo descritotodo
descrito
––ExtracciExtraccióón no fiable de minucias en regiones de baja
calidadn no fiable de minucias en regiones de baja calidad
––Carga computacional de los algoritmos de Carga computacional
de los algoritmos de binarizacibinarizacióónn y adelgazamientoy
adelgazamiento
––Fallos en el alineamientoFallos en el alineamiento
Reconocimiento Automático de Huella Dactilar 30
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Ejemplo de alternativasEjemplo de alternativas
––ExtracciExtraccióón directa de minucias en imagen de grisn
directa de minucias en imagen de gris
––Alineamiento basado en nAlineamiento basado en núúcleo y
deltacleo y delta
Reconocimiento Automático de Huella Dactilar 31
5. Reconocimiento basado en minucias5. Reconocimiento basado en
minucias••Ejemplo de alternativasEjemplo de alternativas
––Alineamiento basado en Alineamiento basado en looploop y y
deltadelta
––Alineamiento basado en Alineamiento basado en agrupaciones de
minucias agrupaciones de minucias
Reconocimiento Automático de Huella Dactilar 32
6. Reconocimiento basado en texturas6. Reconocimiento basado en
texturas
••PatrPatróón de crestas y valles = textura orientada con
frecuencia espacian de crestas y valles = textura orientada con
frecuencia espacial l y orientaciy orientacióón localmente
constante n localmente constante
––Frecuencia = variaciFrecuencia = variacióón perin perióódica
de gris entre crestas y vallesdica de gris entre crestas y
valles
––OrientaciOrientacióón = direccin = direccióón del flujo de
crestasn del flujo de crestas
-
Reconocimiento Automático de Huella Dactilar 33
6. Reconocimiento basado en texturas6. Reconocimiento basado en
texturas••Filtrado con filtros de Filtrado con filtros de
GaborGabor de diferente orientacide diferente orientacióón n
(0(0ºº, 22.5, 22.5ºº, 45, 45ºº, 67.5, 67.5ºº, 90, 90ºº, 112.5,
112.5ºº, 135, 135ºº, 157.5, 157.5ºº))
MMááscara scara gaussianagaussiana(par(paráámetros metros δδxx,
, δδyy))
Sinusoide frecuencia Sinusoide frecuencia ff(s(sóólo en
direccilo en direccióón n xx’’))
RotaciRotacióón n áángulo ngulo θθ
Reconocimiento Automático de Huella Dactilar 34
6. Reconocimiento basado en texturas6. Reconocimiento basado en
texturas••Filtrado con filtros de Filtrado con filtros de
GaborGabor de diferente orientacide diferente orientacióón n
(0(0ºº, 22.5, 22.5ºº, 45, 45ºº, 67.5, 67.5ºº, 90, 90ºº, 112.5,
112.5ºº, 135, 135ºº, 157.5, 157.5ºº))
Reconocimiento Automático de Huella Dactilar 35
6. Reconocimiento basado en texturas6. Reconocimiento basado en
texturas••Filtrado con filtros de Filtrado con filtros de
GaborGabor de diferente orientacide diferente orientacióón n
(0(0ºº, 22.5, 22.5ºº, 45, 45ºº, 67.5, 67.5ºº, 90, 90ºº, 112.5,
112.5ºº, 135, 135ºº, 157.5, 157.5ºº))
Reconocimiento Automático de Huella Dactilar 36
6. Reconocimiento basado en texturas6. Reconocimiento basado en
texturas••Filtrado con filtros de Filtrado con filtros de
GaborGabor de diferente orientacide diferente orientacióón n
(0(0ºº, 22.5, 22.5ºº, 45, 45ºº, 67.5, 67.5ºº, 90, 90ºº, 112.5,
112.5ºº, 135, 135ºº, 157.5, 157.5ºº))
-
Reconocimiento Automático de Huella Dactilar 37
6. Reconocimiento basado en texturas6. Reconocimiento basado en
texturas
••Ventajas:Ventajas:
––Mayor robustez en presencia de ruido o baja calidadMayor
robustez en presencia de ruido o baja calidad
––Vector de caracterVector de caracteríísticas de longitud
constantesticas de longitud constante
––Menor carga computacional (no Menor carga computacional (no
binarizacibinarizacióónn, no adelgazado), no adelgazado)
••Inconvenientes:Inconvenientes:
––Menor capacidad Menor capacidad discriminativadiscriminativa
(mayor tasa de error)(mayor tasa de error)
Reconocimiento Automático de Huella Dactilar 38
7. Reconocimiento basado en correlaci7. Reconocimiento basado en
correlacióónn
••CorrelaciCorrelacióón directamente entre imn directamente
entre imáágenes de grisesgenes de grises
••SelecciSeleccióón de regiones locales siguiendo algn de
regiones locales siguiendo algúún criterio. La correlacin criterio.
La correlacióón n se calcula solo en esas regiones, acelerando asse
calcula solo en esas regiones, acelerando asíí el procesoel
proceso
••La imagen de gris contiene toda la informaciLa imagen de gris
contiene toda la informacióón original de la huella, n original de
la huella, frente a las minucias que solo contienen un conjunto
finito de frente a las minucias que solo contienen un conjunto
finito de caractercaracteríísticassticas
••Dado que la correlaciDado que la correlacióón se hace
localmente, tenemos cierta robustez a n se hace localmente, tenemos
cierta robustez a deformaciones no linealesdeformaciones no
lineales
Reconocimiento Automático de Huella Dactilar 39
7. Reconocimiento basado en correlaci7. Reconocimiento basado en
correlacióónn
Reconocimiento Automático de Huella Dactilar 40
Resumen mResumen méétodos reconocimientotodos reconocimiento
••MinuciasMinucias::––Mayor rendimiento (tasa de error)Mayor
rendimiento (tasa de error)
––Peor funcionamiento en condiciones de baja calidad. Mayor
carga Peor funcionamiento en condiciones de baja calidad. Mayor
carga computacionalcomputacional
••Texturas y correlaciTexturas y correlacióónn––Menor
rendimiento (tasa de error). Menor carga computacionalMenor
rendimiento (tasa de error). Menor carga computacional
––Mejor funcionamiento en condiciones de baja calidadMejor
funcionamiento en condiciones de baja calidad
CombinaciCombinacióón de diferentes mn de diferentes méétodos
todos
FUSIFUSIÓÓNN
-
Reconocimiento Automático de Huella Dactilar 41
8. Evaluaciones competitivas8. Evaluaciones competitivas
FVC FVC ––Fingerprint Verification CompetitionFingerprint
Verification Competition
••Hasta la fecha, cuatro competiciones: 2000, 2002, 2004,
2006Hasta la fecha, cuatro competiciones: 2000, 2002, 2004,
2006
••4 bases de datos de 100 dedos, con diferentes esc4 bases de
datos de 100 dedos, con diferentes escááneres, varias sesiones y
neres, varias sesiones y variando las condiciones de captura (una
de ellas de huellas genvariando las condiciones de captura (una de
ellas de huellas generadas eradas sintsintééticamente mediante
software)ticamente mediante software)
••En 2004, la base de datos se forzEn 2004, la base de datos se
forzóó a simular condiciones de baja calidad (dedos a simular
condiciones de baja calidad (dedos mojados en agua, secados con
alcohol, exagerando la distorsimojados en agua, secados con
alcohol, exagerando la distorsióón contra el n contra el
sensorsensor, , etc.) El sistema ganador obtuvo un EER de 2.07%,
frente al 0.19%etc.) El sistema ganador obtuvo un EER de 2.07%,
frente al 0.19% de la edicide la edicióón de n de 20022002
••En 2004 se introdujo una En 2004 se introdujo una ““light
categorylight category””, imponiendo un uso de memoria y ,
imponiendo un uso de memoria y tiempo de ejecucitiempo de
ejecucióón reducido. El sistema ganador obtuvo un 3.51%n reducido.
El sistema ganador obtuvo un 3.51%
••EdiciEdicióón de 2006 n de 2006 coco--organizada por el grupo
ATVS de la UAMorganizada por el grupo ATVS de la UAM
httphttp://://bias.csr.unibo.itbias.csr.unibo.it/fvc2006/fvc2006
Reconocimiento Automático de Huella Dactilar 42
9. Problem9. Problemáática actual y ltica actual y lííneas
futurasneas futuras
••Baja calidad de huellasBaja calidad de huellas––Humedad,
suciedad, cortes en el dedo (temporales o permanentes),Humedad,
suciedad, cortes en el dedo (temporales o permanentes),impresiones
latentes de usuarios anteriores, impresiones latentes de usuarios
anteriores, cooperatividadcooperatividad……
––Mal funcionamiento de todas las etapas del sistema, sobre todo
eMal funcionamiento de todas las etapas del sistema, sobre todo en
sistemas n sistemas de minucias (pde minucias (péérdida de minucias
autrdida de minucias autéénticas, introduccinticas, introduccióón
de minucias falsas)n de minucias falsas)
––Algoritmos de medida de calidad: rechazar una huella o ajustar
dAlgoritmos de medida de calidad: rechazar una huella o ajustar de
distinta e distinta manera las etapas de procesado del
sistemamanera las etapas de procesado del sistema
Reconocimiento Automático de Huella Dactilar 43
9. Problem9. Problemáática actual y ltica actual y lííneas
futurasneas futuras
••SensoresSensores de reducido tamade reducido tamaññoo––SSóólo
capturan una porcilo capturan una porcióón de la n de la
huella, no siendo siempre la mismahuella, no siendo siempre la
misma
••Interoperabilidad entre Interoperabilidad entre
sensoressensores––Sistemas adaptados para Sistemas adaptados
para
trabajar con un trabajar con un sensorsensor en en
concretoconcreto
Reconocimiento Automático de Huella Dactilar 44
9. Problem9. Problemáática actual y ltica actual y lííneas
futurasneas futuras
••Ataques contra el sistemaAtaques contra el
sistema––InterceptaciInterceptacióón de canales del sisteman de
canales del sistema
––Huellas falsasHuellas falsas
-
Reconocimiento Automático de Huella Dactilar 45
BibliografBibliografíía Ba Báásicasica
1.1. D.MaltoniD.Maltoni, , D.MaioD.Maio, , A.JainA.Jain andand
S.PrabhakarS.Prabhakar, , HandbookHandbook of Fingerprint of
Fingerprint RecognitionRecognition,,Springer 2003. ISBN: 0Springer
2003. ISBN: 0--387387--9543195431--77
2.2. M. Tistarelli and J. Bigun and E. Grosso (Eds.), M.
Tistarelli and J. Bigun and E. Grosso (Eds.), Advanced Studies in
BiometricsAdvanced Studies in Biometrics, Springer , Springer
LNCSLNCS--3161, pp. 13161, pp. 1--18, May 200518, May 2005
3.3. httphttp://atvs.ii.uam.es://atvs.ii.uam.es
4.4.
http://biometrics.cse.msu.edu/http://biometrics.cse.msu.edu/