Universidad Autónoma de MadridUniversidad Autónoma de …garciaargos.com/descargas/apuntes/posgrado/Primer... · 2009. 2. 11. · Actualidad 1. Historia •• Huella dactilar sigue

R i i t d h ll d tilR i i t d h ll d tilReconocimiento de huella dactilarReconocimiento de huella dactilar

Fernando Alonso FernándezDoctor Ingeniero de Telecomunicación

Escuela Politécnica SuperiorUniversidad Autónoma de MadridUniversidad Autónoma de Madrid

[email protected]

Fernando Alonso FernándezFernando Alonso Fernández

SUMARIOSUMARIOSUMARIOSUMARIO1.1. HistoriaHistoria

2.2. Formación de las huellasFormación de las huellas

3.3. Reconocimiento (tradicional) de huellas dactilaresReconocimiento (tradicional) de huellas dactilares( )( )

4.4. Adquisición de huellas dactilaresAdquisición de huellas dactilares

i i ( á i ) b d i ii i ( á i ) b d i i5.5. Reconocimiento (automático) basado en minuciasReconocimiento (automático) basado en minucias

6.6. Reconocimiento (automático) basado en texturasReconocimiento (automático) basado en texturas

7.7. Reconocimiento (automático) basado en correlaciónReconocimiento (automático) basado en correlación

88 Evaluaciones competitivasEvaluaciones competitivas8.8. Evaluaciones competitivasEvaluaciones competitivas

9.9. Problemática actual y líneas futurasProblemática actual y líneas futuras


1. Historia1. HistoriaPrimeros trabajos y desarrollo inicial Primeros trabajos y desarrollo inicial Primeros trabajos y desarrollo inicial Primeros trabajos y desarrollo inicial

•• Evidencias arqueológicas que relacionan huellas con identidadEvidencias arqueológicas que relacionan huellas con identidadq g qq g q

•• Primeros trabajos científicos: s. XVI (formación anatómica, Primeros trabajos científicos: s. XVI (formación anatómica, caracterización, individualidad…)caracterización, individualidad…)

•• Inicialmente investigación en ámbito policial: s XVIIIInicialmente investigación en ámbito policial: s XVIII XIXXIX•• Inicialmente, investigación en ámbito policial: s. XVIIIInicialmente, investigación en ámbito policial: s. XVIII--XIXXIX

•• Aceptación formal como método de identificación personal Aceptación formal como método de identificación personal (principio s. XX)(principio s. XX)

–– Agencias gubernamentalesAgencias gubernamentales

–– Bases de datos (DNI, criminales…)Bases de datos (DNI, criminales…)

Adquisición de huellas latentes en escena de crimenAdquisición de huellas latentes en escena de crimen


–– Adquisición de huellas latentes en escena de crimen…Adquisición de huellas latentes en escena de crimen…

Actualidad Actualidad

1. Historia1. HistoriaActualidad Actualidad

•• A partir de años 60: sistemas automáticosA partir de años 60: sistemas automáticos

–– 2003: 200 millones de tarjetas impresas en archivos FBI2003: 200 millones de tarjetas impresas en archivos FBI

–– Miles de peticiones diarias de identificaciónMiles de peticiones diarias de identificación

•• Rápido crecimiento de aplicaciones comerciales civilesRápido crecimiento de aplicaciones comerciales civiles


Actualidad Actualidad

1. Historia1. HistoriaActualidad Actualidad

•• Huella dactilar sigue acaparando la mayoría del mercadoHuella dactilar sigue acaparando la mayoría del mercado


Dactilograma: Dactilograma: Figura formada por el relieve de crestas del dedoFigura formada por el relieve de crestas del dedo

2. Formación de las huellas2. Formación de las huellasDactilograma: 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): impresión por contacto en una superficie): impresión por contacto en una superficie

••Artificial (Artificial (impresión digitalimpresión digital): reproducción gráfica del natural): reproducción gráfica del natural


2. Formación de las huellas2. Formación de las huellas

••FormaciónFormación de las huellas a partir del séptimo mes fetalde las huellas a partir del séptimo mes fetal

••Perenne:Perenne: invariabilidad hasta la descomposición invariabilidad hasta la descomposición postpost--mortemmortem(excepto accidentes) y capacidad regenerativa(excepto accidentes) y capacidad regenerativa

••Individualidad:Individualidad: son figuras de tal variedad que resultan son figuras de tal variedad que resultan totalmente características de cada individuototalmente características de cada individuo

INTERESANTES PARA IDENTIFICACIÓN PERSONALINTERESANTES PARA IDENTIFICACIÓN PERSONAL


3. Reconocimiento de huellas dactilares3. Reconocimiento de huellas dactilares••Puntos característicos de las crestas de huellaPuntos característicos de las crestas de huella••Puntos característicos de las crestas de huellaPuntos característicos de las crestas de huella

––Se definen varios cientos de tiposSe definen varios cientos de tipos

––La coincidencia en número suficiente de puntos característicos (tipo, La coincidencia en número suficiente de puntos característicos (tipo, bi ió t ñ i t ió ) t d h ll i li b bi ió t ñ i t ió ) t d h ll i li b ubicación, tamaño y orientación) entre dos huellas implica que ambas ubicación, tamaño y orientación) entre dos huellas implica que ambas

huellas pertenecen inequívocamente a la misma personahuellas pertenecen inequívocamente a la misma persona

––El sistema judicial español fija ese número en 12El sistema judicial español fija ese número en 12



––A efectos prácticos, los sistemas automáticos suelen considerar A efectos prácticos, los sistemas automáticos suelen considerar solamente dos: terminación y bifurcación de cresta (minucias)solamente dos: terminación y bifurcación de cresta (minucias)

––Existen otros dos tipos de puntos que permiten clasificar el tipo de Existen otros dos tipos de puntos que permiten clasificar el tipo de huellahuella



––Tipos de huella según el número de loops y deltasTipos de huella según el número de loops y deltas


4. Adquisición de huellas dactilares4. Adquisición de huellas dactilares••OffOff--line: line: Adquisición tradicional mojando el dedo en tintaAdquisición tradicional mojando el dedo en tinta••OffOff line: line: Adquisición tradicional mojando el dedo en tintaAdquisición tradicional mojando el dedo en tinta

••OnOn--line: line: Presionando contra la superficie plana de un sensorPresionando contra la superficie plana de un sensor––Sensor ópticoSensor óptico: prisma iluminado, capta luz reflejada en el dedo: prisma iluminado, capta luz reflejada en el dedo

––Sensor de estado sólidoSensor de estado sólido: array de sensores de silicio en circuito : array de sensores de silicio en circuito abierto, el dedo cierra el circuito al ponerse sobre el sensorabierto, el dedo cierra el circuito al ponerse sobre el sensor, p, p

––Sensor de ultrasonidosSensor de ultrasonidos: captura de ecos de señal ultrasónica : captura de ecos de señal ultrasónica reflejados en el dedoreflejados en el dedo


4. Adquisición de huellas dactilares4. Adquisición de huellas dactilares

OPTICOOPTICOTÉRMICOTÉRMICO

CAPACITIVOCAPACITIVOCAPACITIVOCAPACITIVO


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Campo de orientaciónCampo de orientación••Campo de orientaciónCampo de orientación

––Angulo de las crestas con la horizontalAngulo de las crestas con la horizontal

––Calculo en bloques en lugar de píxeles (menos sensible a ruido)Calculo en bloques en lugar de píxeles (menos sensible a ruido)

––El gradiente es perpendicular a la dirección de las crestasEl gradiente es perpendicular a la dirección de las crestas

––Ejemplo estimación de mínimos cuadrados:Ejemplo estimación de mínimos cuadrados:

W tamaño bloque de promediadoW tamaño bloque de promediado

E i l á l l l t t d bid l id E i l á l l l t t d bid l id

W=tamaño bloque de promediadoW=tamaño bloque de promediadoGxGx, Gy=gradiente en dirección , Gy=gradiente en dirección x,yx,y

––En ocasiones, el ángulo no se calcula correctamente debido al ruido En ocasiones, el ángulo no se calcula correctamente debido al ruido o a la presencia de desperfectos en crestas y valleso a la presencia de desperfectos en crestas y valles

––Dado que el ángulo de cresta varía lentamente a lo largo de la huella Dado que el ángulo de cresta varía lentamente a lo largo de la huella ( t t i l ) li di d (filt d ( t t i l ) li di d (filt d


(excepto en puntos singulares), se realiza un promediado (filtrado (excepto en puntos singulares), se realiza un promediado (filtrado paso bajo)paso bajo)


––Ejemplo filtrado paso bajo:Ejemplo filtrado paso bajo:

Eliminación Eliminación Eliminación Eliminación incertidumbre entre incertidumbre entre

direcciones de direcciones de crestas opuestascrestas opuestaspp

Máscara paso bajoMáscara paso bajoVentana filtradoVentana filtrado



––Resultado:Resultado:

––El campo de orientación permite fijar parámetros de funciones El campo de orientación permite fijar parámetros de funciones p p j pp p j padaptativas en pasos siguientesadaptativas en pasos siguientes

––Consistencia del campo de orientación en el entorno de (Consistencia del campo de orientación en el entorno de (i,ji,j):):


Diferencia de ángulo con Diferencia de ángulo con zonas adyacenteszonas adyacentesEntorno de promediadoEntorno de promediado

5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Extracción región de interésExtracción región de interés••Extracción región de interésExtracción región de interés

––Separar región de crestas y valles del fondo de la imagenSeparar región de crestas y valles del fondo de la imagen

•• En la zona de crestas y valles, la varianza de gris es alta en la En la zona de crestas y valles, la varianza de gris es alta en la di ió t l l tdi ió t l l tdirección ortogonal a las crestasdirección ortogonal a las crestas

•• En el fondo de la imagen, la varianza de gris es baja en todas las En el fondo de la imagen, la varianza de gris es baja en todas las direccionesdirecciones


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Extracción de crestasExtracción de crestas••Extracción de crestasExtracción de crestas

––BinarizaciónBinarización de la imagen en crestas y vallesde la imagen en crestas y valles

––Se filtra la huella con Se filtra la huella con mascaras adaptativas mascaras adaptativas gaussianasgaussianas capaces de capaces de t l i l d i l di ió l l di ió d l t l i l d i l di ió l l di ió d l aumentar el nivel de gris en la dirección normal a la dirección de la aumentar el nivel de gris en la dirección normal a la dirección de la

cresta y se aplica un cresta y se aplica un umbralumbral al nivel de gris.al nivel de gris.

Anchura adaptada al Anchura adaptada al tamaño de crestas típicotamaño de crestas típicotamaño de crestas típicotamaño de crestas típico

Ángulo según la orientación de cada zona Ángulo según la orientación de cada zona


Ángulo según la orientación de cada zona Ángulo según la orientación de cada zona de la imagende la imagen

5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Extracción de crestasExtracción de crestas••Extracción de crestasExtracción de crestas


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Perfilado de crestasPerfilado de crestas••Perfilado de crestasPerfilado de crestas

––Filtrado adicional de la imagen binariaFiltrado adicional de la imagen binaria•• Realce de bordes: adición de componentes paso altoRealce de bordes: adición de componentes paso alto

Eli i ió d t f t filt d á d i l i t d Eli i ió d t f t filt d á d i l i t d •• Eliminación de artefactos: filtrado con máscaras de impulsos orientados Eliminación de artefactos: filtrado con máscaras de impulsos orientados según la dirección de la crestasegún la dirección de la cresta


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Adelgazado de crestas: Adelgazado de crestas: reducción a anchura de un píxelreducción a anchura de un píxel••Adelgazado de crestas: Adelgazado de crestas: reducción a anchura de un píxelreducción a anchura de un píxel

••Eliminación de imperfeccionesEliminación de imperfecciones••Eliminación de imperfeccionesEliminación de imperfecciones


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Extracción de minucias: Extracción de minucias: para un píxel de cresta tenemos:para un píxel de cresta tenemos:••Extracción de minucias: Extracción de minucias: para un píxel de cresta tenemos:para un píxel de cresta tenemos:

––Final de cresta: si el número de píxeles de cresta en el entorno es 1Final de cresta: si el número de píxeles de cresta en el entorno es 1

––Bifurcación: si el número de píxeles de cresta en el entorno es 3Bifurcación: si el número de píxeles de cresta en el entorno es 3

––Para cada minucia almacenamos: coordenadas, ángulo y muestreo Para cada minucia almacenamos: coordenadas, ángulo y muestreo de parte de la cresta asociadade parte de la cresta asociada

––Se realiza un postprocesado adicional que:Se realiza un postprocesado adicional que:

•• Elimina minucias cercanas al borde de la huella (final de cresta)Elimina minucias cercanas al borde de la huella (final de cresta)•• Elimina minucias cercanas al borde de la huella (final de cresta)Elimina 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


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Comparación de patrones de minuciasComparación de patrones de minucias••Comparación de patrones de minuciasComparación de patrones de minucias

––Alineamiento: estimar traslación, rotación y distorsiónAlineamiento: estimar traslación, rotación y distorsión

––Matching: calcular la similitud entre ambos patrones alineados Matching: calcular la similitud entre ambos patrones alineados (bú d d d i i i id t )(bú d d d i i i id t )(búsqueda de pares de minucias coincidentes)(búsqueda de pares de minucias coincidentes)


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Alineamiento: búsqueda minucias de referenciaAlineamiento: búsqueda minucias de referencia••Alineamiento: búsqueda minucias de referenciaAlineamiento: búsqueda minucias de referencia

––Menor distorsión en la parte central de la huellaMenor distorsión 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 t i d l i l d i i t t i d l i l d i i t crestas asociadas y elegimos el par de minucias cuyas crestas crestas asociadas y elegimos el par de minucias cuyas crestas

asociadas sean más parecidasasociadas sean más parecidas


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••AlineamientoAlineamiento••AlineamientoAlineamiento

––Obtenida la traslación y rotación, alineamos las minucias de ambas Obtenida la traslación y rotación, alineamos las minucias de ambas huellas respecto a la minucia de referenciahuellas respecto a la minucia de referencia


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••MatchingMatching••MatchingMatching

––Pasamos minucias a polares tomando como origen la minucia de Pasamos minucias a polares tomando como origen la minucia de referencia (punto de máxima consistencia)referencia (punto de máxima consistencia)

O d l i i d i t d á l di t i O d l i i d i t d á l di t i ––Ordenamos las minucias en orden creciente de ángulo y distancia, Ordenamos las minucias en orden creciente de ángulo y distancia, formando sendas cadenas de puntos en polares, que serán los formando sendas cadenas de puntos en polares, que serán los patrones a compararpatrones a comparar

S f tú l ió d b d di t l S f tú l ió d b d di t l ––Se efectúa la comparación de ambas cadenas mediante la Se efectúa la comparación de ambas cadenas mediante la minimización de una función de coste llamada distancia de edición, minimización de una función de coste llamada distancia de edición, calculando calculando el número total “el número total “MpqMpq” de minucias coincidentes en ambas ” de minucias coincidentes en ambas cadenascadenascadenascadenas

––Calculamos una medida global de similitud S:Calculamos una medida global de similitud S:

S=100 S=100 --> todas las > todas las

M,N=número de minucias M,N=número de minucias de cada huellade cada huella

S=100 S=100 > todas las > todas las minucias coincidentesminucias coincidentes

S=0 S=0 --> ninguna > ninguna


S 0 S 0 ninguna ninguna minucia coincidenteminucia coincidente


•• para cada par de puntos de las cadenas de comparación, se define un para cada par de puntos de las cadenas de comparación, se define un entorno capaz de indicar si dos minucias forman parejaentorno capaz de indicar si dos minucias forman pareja

•• dicho entorno puede ser variable según la región donde se encuentra las dicho entorno puede ser variable según la región donde se encuentra las dicho entorno puede ser variable según la región donde se encuentra las dicho entorno puede ser variable según la región donde se encuentra las minucias a comparar (distancia y ángulo), modelando así distorsiones no minucias a comparar (distancia y ángulo), modelando así distorsiones no linealeslineales




5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Problemas del método descritoProblemas del método descrito••Problemas del método descritoProblemas del método descrito

––Extracción no fiable de minucias en regiones de baja calidadExtracción no fiable de minucias en regiones de baja calidad

––Carga computacional de los algoritmos de binarización y Carga computacional de los algoritmos de binarización y d l i td l i tadelgazamientoadelgazamiento

––Fallos en el alineamientoFallos en el alineamiento


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Ejemplo de alternativasEjemplo de alternativas••Ejemplo de alternativasEjemplo de alternativas

––Extracción directa de minucias en imagen de grisExtracción directa de minucias en imagen de gris

––Alineamiento basado en loop y deltaAlineamiento basado en loop y delta


5. Reconocimiento basado en minucias5. Reconocimiento basado en minucias••Ejemplo de alternativasEjemplo de alternativas••Ejemplo de alternativasEjemplo de alternativas

––Alineamiento basado en Alineamiento basado en loop y deltaloop y delta

––Alineamiento basado en Alineamiento basado en agrupaciones de minucias agrupaciones de minucias


6. Reconocimiento basado en texturas6. Reconocimiento basado en texturas••Patrón de crestas y valles = textura orientada con frecuencia Patrón de crestas y valles = textura orientada con frecuencia ••Patrón de crestas y valles = textura orientada con frecuencia Patrón de crestas y valles = textura orientada con frecuencia espacial y orientación localmente constante espacial y orientación localmente constante

––Frecuencia = variación periódica de gris entre crestas y vallesFrecuencia = variación periódica de gris entre crestas y valles

––Orientación = dirección del flujo de crestasOrientación = dirección del flujo de crestas


6. Reconocimiento basado en texturas6. Reconocimiento basado en texturas••Filtrado con filtros de Filtrado con filtros de GaborGabor de diferente orientación de diferente orientación ••Filtrado con filtros de Filtrado con filtros de GaborGabor de diferente orientación de diferente orientación

(0º, 22.5º, 45º, 67.5º, 90º, 112.5º, 135º, 157.5º)(0º, 22.5º, 45º, 67.5º, 90º, 112.5º, 135º, 157.5º)

Máscara Máscara gaussianagaussianaSinusoide frecuencia Sinusoide frecuencia ff

Máscara Máscara gaussianagaussiana(parámetros (parámetros δδx,x,δδy)y)

(sólo en dirección x’)(sólo en dirección x’)

Rotación Rotación ángulo ángulo θθ


6. Reconocimiento basado en texturas6. Reconocimiento basado en texturas••Filtrado con filtros de Gabor de diferente orientación Filtrado con filtros de Gabor de diferente orientación ••Filtrado con filtros de Gabor de diferente orientación Filtrado con filtros de Gabor de diferente orientación









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 características de longitud constanteVector de características de longitud constante

––Menor carga computacional (no binarización, no adelgazado)Menor carga computacional (no binarización, no adelgazado)

••Inconvenientes:Inconvenientes:

Menor capacidad discriminativa (mayor tasa de error)Menor capacidad discriminativa (mayor tasa de error)––Menor capacidad discriminativa (mayor tasa de error)Menor capacidad discriminativa (mayor tasa de error)


7. Reconocimiento basado en correlación7. Reconocimiento basado en correlación

••Correlación directamente entre imágenes de grisesCorrelación directamente entre imágenes de grises

••Selección de regiones locales siguiendo algún criterio. La Selección de regiones locales siguiendo algún criterio. La correlación se calcula solo en esas regiones, acelerando así el correlación se calcula solo en esas regiones, acelerando así el procesoprocesoprocesoproceso

••La imagen de gris contiene toda la información original de la La imagen de gris contiene toda la información original de la huella, frente a las minucias que solo contienen un conjunto huella, frente a las minucias que solo contienen un conjunto finito de característicasfinito de características

••Dado que la correlación se hace localmente, tenemos cierta Dado que la correlación se hace localmente, tenemos cierta robustez a deformaciones no lineales robustez a deformaciones no lineales


7. Reconocimiento basado en correlación7. Reconocimiento basado en correlación


Resumen métodos reconocimientoResumen métodos reconocimiento

••MinuciasMinucias::––Mayor rendimiento (tasa de error)Mayor rendimiento (tasa de error)y ( )y ( )

––Peor funcionamiento en condiciones de baja calidad. Mayor carga Peor funcionamiento en condiciones de baja calidad. Mayor carga computacionalcomputacional

••Texturas y correlaciónTexturas y correlación••Texturas y correlaciónTexturas y correlación––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

Combinación de diferentes métodos (fusión)Combinación de diferentes métodos (fusión)( )( )


8. Evaluaciones competitivas8. Evaluaciones competitivasFVC FVC ––Fingerprint Verification CompetitionFingerprint Verification CompetitionFVC 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 escáneres, varias 4 bases de datos de 100 dedos, con diferentes escáneres, varias sesiones y variando las condiciones de captura (una de ellas de sesiones y variando las condiciones de captura (una de ellas de huellas generadas sintéticamente mediante software)huellas generadas sintéticamente mediante software)

••En 2004, la base de datos se forzó a simular condiciones de baja En 2004, la base de datos se forzó a simular condiciones de baja calidad (dedos mojados en agua, secados con alcohol, exagerando calidad (dedos mojados en agua, secados con alcohol, exagerando la distorsión contra el sensor, etc.) El sistema ganador obtuvo un la distorsión contra el sensor, etc.) El sistema ganador obtuvo un EER de 2.07%, frente al 0.19% de la edición de 2002EER de 2.07%, frente al 0.19% de la edición de 2002

••En 2004 se introdujo una “light category”, imponiendo un uso de En 2004 se introdujo una “light category”, imponiendo un uso de memoria y tiempo de ejecución reducido El sistema ganador obtuvo memoria y tiempo de ejecución reducido El sistema ganador obtuvo memoria y tiempo de ejecución reducido. El sistema ganador obtuvo memoria y tiempo de ejecución reducido. El sistema ganador obtuvo un 3.51%un 3.51%

••Edición de 2006 coEdición de 2006 co--organizada por el grupo ATVS de la UAMorganizada por el grupo ATVS de la UAMg p g pg p g p

http://bias.csr.unibo.it/fvc2006http://bias.csr.unibo.it/fvc2006


9. Problemática actual y líneas futuras9. Problemática actual y líneas futuras••Baja calidad de huellasBaja calidad de huellas••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, cooperatividad…impresiones latentes de usuarios anteriores, cooperatividad…

M l f i i t d t d l t d l i t b t d M l f i i t d t d l t d l i t b t d ––Mal funcionamiento de todas las etapas del sistema, sobre todo en Mal funcionamiento de todas las etapas del sistema, sobre todo en sistemas de minucias (pérdida de minucias auténticas, introducción sistemas de minucias (pérdida de minucias auténticas, introducción de minucias falsas)de minucias falsas)

Al it d did d lid d h h ll j t d Al it d did d lid d h h ll j t d ––Algoritmos de medida de calidad: rechazar una huella o ajustar de Algoritmos de medida de calidad: rechazar una huella o ajustar de distinta manera las etapas de procesado del sistemadistinta manera las etapas de procesado del sistema


9. Problemática actual y líneas futuras9. Problemática actual y líneas futuras••Sensores de reducido tamañoSensores de reducido tamaño••Sensores de reducido tamañoSensores de reducido tamaño

––Sólo capturan una porción de la Sólo capturan una porción de la

huella, no siendo siempre la mismahuella, no siendo siempre la misma

••Interoperabilidad entre sensoresInteroperabilidad entre sensores••Interoperabilidad entre sensoresInteroperabilidad entre sensores––Sistemas adaptados para Sistemas adaptados para

trabajar con un sensor en trabajar con un sensor en

concretoconcreto


9. Problemática actual y líneas futuras9. Problemática actual y líneas futuras••Ataques contra el sistemaAtaques contra el sistema••Ataques contra el sistemaAtaques contra el sistema

––Interceptación de canales del sistemaInterceptación de canales del sistema

––Huellas falsasHuellas falsas


BibliografíaBibliografía

1.1. D.MaltoniD.Maltoni, , D.MaioD.Maio, , A.JainA.Jain and and S.PrabhakarS.Prabhakar, “, “HandbookHandbook of of FingerprintFingerprintRecognitionRecognition”, ”, SpringerSpringer 2003. ISBN: 02003. ISBN: 0--387387--9543195431--77

2.2. M. M. TistarelliTistarelli and J. and J. BigunBigun and E. and E. GrossoGrosso (Eds.), (Eds.), “Advanced “Advanced Studies in Studies in Biometrics”, Biometrics”, Springer LNCSSpringer LNCS--3161, pp. 13161, pp. 1--18, May 200518, May 2005

33 A J i P Fl AA J i P Fl A R R (Ed(Ed ) H db k f ) H db k f Bi t iBi t i S i 2007 S i 2007 3.3. A. Jain, P. Flynn, AA. Jain, P. Flynn, A. Ross . Ross (Eds(Eds.), Handbook of .), Handbook of BiometricsBiometrics, Springer 2007. , Springer 2007. ISBN: 0ISBN: 0--387387--7104071040--XX


Universidad Autónoma de MadridUniversidad Autónoma de …garciaargos.com/descargas/apuntes/posgrado/Primer... · 2009. 2. 11. · Actualidad 1. Historia •• Huella dactilar sigue

Documents