Procesado de Imagen para Reconocimiento de Huellas Digitales

Transcripción

1 Procesado de Imagen para Reconocimiento de Huellas Digitales Técnicas Avanzadas de Procesado de Imagen Marcos Ortega Hortas 1

2 Introducción (I) Identificación por huella dactilar, o fingerprint en inglés, se basa en las elevaciones de la piel (crestas) formando líneas. Los espacios entre líneas se denominan valles (2-5 mm) Es un patrón biométrico muy estudiado y desarrollado 2

3 Introducción (II) Las huellas pueden ser distinguidas basándose en las características de las crestas Son diferentes hasta en el caso de hermanos gemelos Alta universalidad, unicidad, permanencia, rendimiento y aceptabilidad 3

4 Introducción (III) Partes de la huella: Rasgos Locales (a) vs Rasgos Globales (b) Globales: Delta, Core Locales: Terminación, Bifurcación, Isla 4

5 Introducción (IV) La huella dactilar consta, pues, de un conjunto de crestas orientadas En función del patrón de flujo de las crestas se diferencian 5 grandes tipos de huellas La clasificación ayuda a reducir el espacio de búsqueda La realidad es un poco terca: >65% son loops 5

6 Introducción (V): paradigmas Manual Los expertos usan una combinación de rasgos visuales, minucias y experiencia Todavía se usa en ciertas etapas de prevención de delincuencia Basado en Imagen Utiliza simplemente apariencia visual Requiere que la imagen completa sea almacenada (grandes plantillas) Basado en Textura Trata la huella dactilar como una imagen orientada de textura Muy poca precisión debido a la poca carga de textura de las huellas Minucias Usa la posición relativa de las minucias La solución más popular La más parecida a la técnica manual 6

7 Introducción (VI): Correlación por Imagen Ventajas No requiere preprocesado muy avanzado Imágenes de baja resolución Rápido Inconvenientes Almacenamiento muy pesado Requiere alineamiento preciso Poco robusto a cambios 7

8 Introducción (VII): Matching basado en textura Ventajas Buen rendimiento en imágenes de mala calidad Rasgos estadísticamente independientes de minucias (se pueden combinar) Inconvenientes Requiere buen alineamiento No es invariante a traslaciones, orientaciones y distorsiones Muy poco preciso 8

9 Introducción (y VIII): Minucias Ventajas Invariante a traslaciones, rotaciones y escalas Muy preciso Inconvenientes Sensible a calidad de imagen Poco robusto a distorsiones no lineales 9

10 Arquitectura General 10

11 Adquisición Adquisición off-line Escaneo de un impreso Recomendaciones FBI: 500 dpi, 256 niveles gris Aplicaciones policiales/judiciales Adquisición on-line Tiempo real Scanners Aplicaciones civiles 11

12 Preprocesado (I) Problema fundamental: distinguir lo que es cresta de lo que no Variabilidad inter e intra imagen: Diferencias de brillo y contraste en la imagen Distinta presión Humedad 12

13 Preprocesado (y II) Esquema preprocesado de huellas digitales Mejora de la imagen mediante filtros Binarización: clasificación de los pixels en cresta/no-cresta Evaluación de la calidad de la huella Extracción de la Región de Interés (ROI) 13

14 Mejora de la Imagen (I) Aplicar filtros lineales direccionales Eliminar ruido Acentuación de contornos y transiciones clarooscuro Para calcular las direcciones de los filtros es necesario calcular el mapa o de orientación: Ángulos de las crestas 14

15 Mejora de la Imagen (II) Estimación de la orientación Se basa en dividir la imagen en bloques y aplicar criterios de localidad En un pequeño entorno las variaciones de ángulos entre crestas serán mínimas Nos permite calcular orientaciones por optimización (mínimos cuadrados) 15

16 Mejora de la Imagen (III) 16

17 Mejora de la Imagen (IV) 17

18 Mejora de la Imagen (V) 18

19 19 Mejora de la Imagen (VI) (Yang et.al 1996, Greenberg et. Al 1999) propusieron el filtro local anisotrópico El kernel del filtro se adapta a cada localización de los píxeles ) ( ). ( ) ( ) ( )exp ( ), ( x n x x x n x x x x V S x x f

20 Mejora de la Imagen (VII) Hong et al, 96/98 propusieron el uso de filtros de Gabor para la mejora de imágenes Los filtros de Gabor tienen una buena localización conjunta en espacio y en frencuencia (combinación de función armónica con gaussiana) Aproximación por banco: se aplican disintos filtros de Gabor con distintas orientaciones 20

21 f 21

22 Mejora de la Imagen (IX) Imagen Original Imagen filtrada con Gabor 22

23 Mejora de la Imagen (y X) Ondas de superficie Modelo de ondas de superficie Vecindades locales i( x, y) Acos 2 f x cos( ) y sin( ) f ( x, y) ( x, y) Local ridge orientation Local ridge frequency 23

24 Binarización (I) Decrementar margen dinámico de los niveles de gris entre crestas y valles De 256 niveles de gris (8 bits/pixel) a 2 (1 bit/pixel) Histogramas bimodales Algoritmos que calculan automáticamente el umbral Método de Otsu o Criterio del Discriminante 24

25 Binarización (y II) Se busca el umbral que maximice la relación entre varianzas Basado en las probabilidades (frecuencias) de los niveles de gris Los valores inferiores al umbral se ponen a 0 y los superiores a 1 25

26 Medida de Calidad El objetivo es rechazar las imágenes de baja calidad Muchos sistemas pedirán una nueva adquisición llegados a este punto La medida de calidad típica en imagen es el ratio entre el valor medio de los pixels y la desviación típica 26

27 Región de Interés Objetivo: desestimar información redundante relativa al fondo de la imagen Dos de los métodos más usados para extraer la ROI: Se divide la imagen en bloques de 16x16. La región de interés viene dada por el contorno de los bloques con mayor varianza de nivel de gris en la dirección normal a las crestas Se detecta el punto de referencia core y se define una región circular centrada en él 27

28 Extracción de características (I) 28

29 Adelgazamiento Reducción del grosor de las crestas Objetivo: obtener ancho de 1 píxel facilitando el proceso de reconocimiento Técnica utilizada: Operadores Morfológicos Análisis no lineal de la imagen Se define un elemento estructurante a modo de máscara con la que comparar en cada posición de la imagen para asignarle un nuevo valor 0 o 1 (trabajamos con imágenes binarias) 29

30 Erosión Uno de los dos operadores básicos junto a la dilatación El efecto habitual es el de reducir los objetos de la imagen (aumentar el fondo) Para que un pixel objeto conserve su status ha de estar rodeado de pixeles objetos donde el elemento estructurante le indique 30

31 Dilatación El efecto habitual es el de agrandar los objetos de la imagen (disminuir el fondo) Es el dual de erosión (dilatar objetos es equivalente a erosionar fondo) Para que un pixel objeto conserve su status ha de estar rodeado de pixeles objetos donde el elemento estructurante le indique 31

32 Erosión vs Dilatación Pregunta: Son la erosión y la dilatación opuestas? 32

33 Apertura Consiste en una erosión y posteriormente una dilatación con el mismo EE El efecto es el de ajustar el objeto al EE eliminando aquellos pixels que no encajan Mucho menos destructiva que la erosión 33

34 Cierre El dual de la apertura: dilatación y posterior erosión Similar a la dilatación ya que tiende a extender los límites de los objetos pero de manera mucho más conservadora 34

35 Hit and Miss Operador morfológico con el que se pretende buscar patrones de fondo y objeto a la vez en una imagen Útil para buscar estructuras tipo esquinas 35

36 Hit and Miss vs Erosión/Dilatación Se puede expresar la operación Hit and Miss como una combinación de erosión y dilatación? 36

37 Thinning Para realizar un adelgazamiento o thinning de objetos en la imagen se calculan sus partes sobrantes con el operador hit and miss y se le restan a la imagen original 37

38 Skeleton Repetición de sucesivas operaciones de thinning En el caso de huellas, se alterna también entre distintos elementos estructurantes Cuáles deberían ser estos EE para adelgazar las huellas usando un tamaño 3x3? 38

39 Ejemplo de adelgazamiento Necesaria la depuración de las ramas perpendiculares a la dirección de las crestas 39

40 Depuración Eliminación de ramas residuales y unión de crestas rotas en el proceso anterior Las ramas se eliminan aplicando el operador thinning con elementos estructurantes definidos para ello Conectar las crestas rotas con extremos cercanos y direcciones similares 40

41 Extracción de minucias Etapa de localización, orientación y tipo de las minucias Terminaciones y bifurcaciones en las crestas Al tener las crestas adelgazadas a ancho 1 determinar las minucias es inmediato Si #vecinos > 2, bifurcación Si #vecinos=1, terminación 41

42 Filtrado de Minucias Eliminación de minucias espurias en base a heurísticas Si hay muchas minucias juntas puede ser un problema de ruido Si dos minucias están cerca una de la otra y con orientaciones opuestas podría tratarse de una cresta cortada Dos bifurcaciones unidas por una pequeña cresta podrá denotar que dicha cresta es un artefacto provocado por los operadores morfológicos 42

43 Clasificación de huellas (I) Clasificación preliminar basada en los 5 tipos principales de huellas 43

44 Clasificación de huellas (II) El algoritmo de Jain and Hong define una serie de parámetros sobre la huella y en base a ellos la clasifica en uno de los grupos Puntos singulares Simetría Nc: número de puntos de tipo Core Nd: número de puntos de tipo Delta ángulo entre eje de simetría y segmento que une delta y core media de la diferencia entre eje de simetría y las orientaciones número de crestas que cruzan el segmento de unión de Core y Delta R: 1 si delta está a la derecha del eje de simetría 44

45 Clasificación de huellas (III) 45

46 Matching (I) Como ya hemos visto, al adquirir, procesar y extraer las minucias, los resultados no van a ser iguales para el mismo individuo Es necesario alinear las imágenes Posteriormente a la alineación se debe calcular el número de minucias emparejadas, es decir, identificadas como la misma en ambas imágenes 46

47 Matching (II) Dos capturas del mismo dedo 47

48 Matching (III) Algoritmo típico de alineamiento Seleccionar dos minucias de referencia (una por imagen) Determinar el número de pares de minucias que se corresponden Reiterar el proceso para todos los pares posibles de minucias con características locales comunes El par de minucias final es el que casa mayor número de pares Calcular parámetros de traslación y rotación La rotación es la media de los valores individuales de rotación entre pares Aplicar los parámetros a todas las minucias 48

49 Matching (IV) Para determinar si una minucia de la imagen de referencia casa con una de la imagen distorsionada se aplican varios criterios de ángulos y distancias entre ellas y la minucia de referencia 49

50 Matching (V) 50

51 Matching (VI) Global Matching Correspondencias entre puntos desconocidad: problema de combinatoria Relaxation Approach (Ranade and Rosenfield 93) La posibilidad de cada emparejamiento es disminuída o aumentada en caa iteración basándose en la compatibilidad del resto de puntos Aproximación iterativa: muy lenta Transformada de Hough Generalizada (Ratha et al. 96) Todas las posibles transformaciones se generan en un espacio quantizado de ellas Se busca la más óptima Muy rápido Alineamiento de crestas (Jain et al. 97) Lleva a cabo un alineamiento explícito antes del matching Cada minucia se asocia a su cresta (representada por una curva) La alineación se lleva a cabo por correspondencia de crestas 51

52 Matching (VII): Grafos 52

53 Matching (VIII) 53

54 Matching (VIII) 54

55 Matching (VIII) 55

56 Matching (IX) Algoritmo de comparación Cada vez que una huella accede al sistema, se extrae su patrón y se compara con la(s) plantilla(s) de la base de datos Ambas cadenas de puntos están ordenadas por sus coordenadas polares y se alinean Se emparejan las minucias y se calcula una función de similaridad final entre patrones 56

57 Matching (X) Las medidas de similaridad globales combinan las medidas de similaridad para cada par de minucias Generalmente la medida de similaridad más usada es la suma de similaridades ponderada por la media geométrica de minucias en ambas imágenes Esto penaliza las imágenes con muchas minucias ya que facilita su emparejamiento 57

58 Matching (XI) Otra forma habitual es la de calcular la distancia euclídea entre cada par de minucias y obtener la suma de todas como medida de disimilaridad Las medidas de disimilaridad son más difíciles de normalizar puesto que es más difícil acotar el nivel de separación entre conjuntos de puntos 58

59 Matching (y XII) Curvas ROC de 2 sistemas en la competición FVC

60 The End 60