EXTRACCIÓN DE CARACTERÍSTICAS BIOMÉTRICAS APLICANDO VARIABLES MECÁNICAS EN FINGER KNUCKLE PRINT (FKP)

Universidad Politécnica de Aguascalientes
alejandro.deluna@upa.edu.mx

Resumen
Desde la antigüedad una de las mayores necesidades del ser humano es el identificar a las personas, seguridad nacional, sistemas informáticos, computadoras portátiles, telefonía móvil, control de acceso físico, seguridad informática, cajeros automáticos, entre otros son algunos ejemplos en donde establecer la identidad de las personas es de vital importancia,  esta notable tarea se ha convertido en los últimos años en una importante interfaz activa hombre – máquina. En la actualidad existen diversas medidas de seguridad basadas en reconocimiento que son confiables, como pueden ser contraseñas, o símbolos utilizados en tarjetas y pasaportes para control de acceso, aunque estos métodos no son del todo seguros.

Palabras clave: Finger Knucle Print - biometría.

Abstract
Since ancient times one of the greatest human needs is to identify persons, national security, computer systems, laptops, mobile phones, physical access control, computer security, ATM, etc. are some examples where establish the identity of individuals is vital, this remarkable task has become in recent years a major active interface man - machine. There are currently various security measures based on recognition that are reliable, such as passwords, or symbols used on cards and passports for access control, but these methods are not entirely sure.

Key Words: Finger Knucle Print - biometrics.

1 INTRODUCCIÓN

El término biometría proviene de las palabras griegas “bios” vida y “metrón” medida, esta ciencia estudia el reconocimiento de seres humanos de forma automática utilizando una o varias características fisiológicas o de comportamiento, tales como huellas dactilares, rostro, iris, voz, firma, entre otras,  que resulten los suficientemente discriminativas dentro de una población.
Verificar la identidad de manera fiable es crucial en una variedad de aplicaciones tales como el control de acceso a áreas restringidas, transacciones bancarias electrónicas, sistemas informáticos de acceso, telefonía móvil, entre otros. En comparación con las contraseñas o tarjetas de identificación, la autenticación biométrica es preferible y confiable para aquellas aplicaciones que requieren alta seguridad comparado con las formas tradicionales de identificación como tarjetas, contraseñas, llaves, entre otras.
Comúnmente, la autentificación de personas se ha realizado por sistemas informáticos utilizando llaves y tarjetas electrónicas, contraseñas, número de identificación personal (P.I.N. por sus siglas en inglés, Personal Identification Number), entre otros. En algunas ocasiones estos indicadores pueden ser a menudo olvidados, revelados o alterados (Mahesh Kumar, 2014).
Entre los rasgos biométricos existentes, la biometría basada en la mano es la que más ha llamado la atención desde tiempos remotos. Rasgos como la huella dactilar, impresión palmar, geometría de la mano, y en los últimos años la impresión de la superficie de los  nudillos  (F.K.P. por sus siglas en inglés, Finger  Knucle Print), se han utilizado como rasgos biométricos en relación con una mano.
La biometría de la impresión de la superficie de los  nudillos es un patrón de superficie del nudillo externo del dedo, como el que se muestra en la Figura 1.1, el cual contiene muchos modelos de crestas finas y textura, en los últimos años los investigadores han puesto su mirada en este rasgo biométrico y se espera que sea uno de los rasgos más distintivos (Shoichiro Aoyama, 2014).

La impresión de la superficie de los  nudillos es muy singular, por lo que puede servir como elemento biométrico distintivo, en comparación con las otras técnicas biométricas tradicionales (por ejemplo, reconocimiento facial, huellas dactilares, voz, iris, entre otros), este rasgo presenta algunas ventajas en aplicaciones reales, por ejemplo, difícil de ser erosionada ya que las personas tienen poco contacto con material en la cara externa de las manos, a diferencia de las huellas dactilares, no hay estigma de investigación criminal asociada con la impresión de la superficie de los  nudillos, por lo cual este rasgo biométrico tiene una alta aceptación social.

1.1 Base de datos
La base de datos a utilizar en este trabajo de tesis proviene de la Universidad Politécnica de Hong Kong, del Centro de Investigación Biométrica (Zhu, Zhang, & Zhang, 2014). Las imágenes de la superficie de los nudillos se obtuvieron de 120 voluntarios, incluyendo 85 hombres y 35 mujeres. Entre los cuales, 101 sujetos están entre los  20 - 30 años de edad y el resto entre los 30 - 50 años de edad. La recopilación de imágenes se llevó a cabo en dos sesiones por separado. En cada sesión, se le pidió al participante que proporcionara 6 imágenes de cada uno de los dedos índice izquierdo, medio izquierdo, índice derecho y medio derecho. Por lo tanto,  se recopilaron 48 imágenes de los 4 dedos de cada individuo. En total, la base de datos contiene 5,760 imágenes de 480 dedos diferentes. El intervalo de tiempo entre la primera y segunda sesión fue de 25 días.

1.2 Calculo de ventana deslizable
Las primitivas a utilizar se obtendrán a lo largo de la imagen. Las características se derivarán del centro de masa y el torque sobre una ventana que se deslizará sobre la imagen teniendo como coordenadas de referencia un par de ejes que se moverán al mismo tiempo que la ventana.
El tamaño de la ventana de cálculo es crítico, con el objeto de resaltar el área central de la ventana computacional (Nalwa, 2002), propone una ponderación Gaussiana centrada en la propia ventana computacional. La expresión analítica para la función de ponderación es:
En donde σ vale aproximadamente L/2 y g(λ)=0, fuera del rango de L, que es la mitad de la longitud de la ventana computacional.

1.3 Centro de masa
El centro de masa es la posición promedio de toda la masa que lo forma (Paul, 2007), otra manera de definirlo es como que sea el único punto del cuerpo cuya posición sólo depende de cómo se distribuye la masa (Nalwa, 2002).
Asumiendo que la imagen posee una unidad de masa por unidad de longitud, (Nalwa, 2002) define el centro de la masa para una firma con una ventana deslizante del tipo gaussiano  en el segmento [-L +L], lo siguiente se puede expresar como:

Donde g(λ) es la función Gaussiana, x(l+λ) es el valor de x(l) en el desplazamiento de λ en el eje x, y(l+λ) es el valor de y(l) en el desplazamiento de λ en el eje y, x ̅(l) es el centro de masa en el eje x y y ̅(l) es el centro de masa en el eje y. Los centros de masa variando a lo largo de la longitud normalizada de la imagen proveen una descripción de la forma geométrica de la imagen.

1.4 Torque

Producto de la fuerza por la distancia del brazo de palanca que tiende a producir la rotación (Paul, 2007).  T ejercido por un vector v, que está localizado en la posición p con respecto a un punto alrededor del cual se mide es T=v*p. El torque depende tanto de la posición como de la orientación de la curva y su magnitud alrededor de un punto es el doble del área barrida por el vector v. El torque cambia de signo si el vector recorre la curva en un sentido o en otro, pero su magnitud es constante. La ecuación 5 es una expresión de torque adaptada a la imagen en condiciones de parametrización de arco normalizada.

Un valor positivo de T(l) indica un barrido neto del vector v sobre el segmento [-L +L] en sentido contrario a las manecillas del reloj, mientras que un valor negativo indica un barrido en el sentido de las manecillas del reloj. El torque otorga una descripción dependiente de la orientación y la posición en la imagen.

2 DESARROLLO

2.1 Procesamiento digital de la imagen
El presente trabajo realiza el procesamiento digital de imágenes obtenidas de la base de datos de la Universidad Politécnica de Hong Kong cuya región de interés es la superficie de los nudillos, dicho procesamiento es llevado a cabo mediante el software Matlab R2013b.
El primer paso en el procesamiento digital de las imágenes es la normalización en escala de grises, para así de esta manera resaltar las características que se desean obtener de la imagen al aplicar las técnicas de extracción de información, en la figura 2.1 se muestra la imagen original (derecha) y la imagen normalizada (izquierda):

Una vez que se ha normalizada la imagen en escala de grises, lo siguiente es realizar la binarización, es decir, a partir de un valor de umbral (calculado automáticamente por Matlab) los valores de cada pixel de la imagen tomaran un solo valor:

• Si el valor del pixel es mayor al del umbral, el pixel será de color blanco
• En caso contrario, el pixel será de color negro.

Así de esta forma solo se tendrán dos tonalidades en la imagen, de esta manera es más fácil la extracción de la información, la figura 2.2 se muestra la imagen binarizada previamente normalizada:

El penúltimo paso del procesamiento digital de la imagen antes de la extracción de información consiste en la aplicación de un proceso morfológico, que es la esqueletización de la imagen que ha sido previamente binarizada, el cual consiste es una técnica basada en erosiones sucesivas dado un modelo solido representado por una colección de puntos, dicha erosión iterativa elimina puntos de la capa externa del objeto hasta que queda una estructura delgada, en la zona central del objeto, de manera que se obtienen líneas finas que describen la imagen, en la figura 2.3 se  muestra el resultado de la esqueletización aplicado a la imagen:

Por ultimo a esta imagen esqueletizada se secciona en cuatro cuadrantes, para así analizarlo cada uno por separado y aplicarle las técnicas de extracción de información por medio del centro de masa en X y X, la figura 2.4 muestra los cuatro cuadrantes derivados de la segmentación de la imagen:

2.2 Extracción de información

A cada cuadrante de la imagen esqueletizada se le extrae el centro de masa en el eje “X” y en el eje “Y” para así de esta manera extraer dos vectores de información, los cuales han sido normalizados, cuyo valor más alto es 1, como los que se muestran en la figura 2.5:
A cada uno de los vectores de información extraídos de los en cada cuadrante se extraen las siguientes características las cuales se consideran discriminatorias para cada uno de los individuos:

• Área bajo la curva.
• Numero de picos del vector.
• Distancia entre pico y pico de forma horizontal (delta).

En algunos casos al momento de graficar los vectores, se puede observar que únicamente tienen un pico, debido a las características de la forma de las minucias de ese cuadrante, para lo cual se debe de tener una consideración al momento de obtener la distancia entre pico y pico, puesto que si solamente se tiene uno solo, la distancia será 0, en caso contrario las distancias se obtienen de la distancia horizontal del primer pico con el segundo (primer delta), luego del segundo pico con el tercero (segunda delta) y así hasta cubrir todos los picos existentes, como se muestra en la figura 2.6.  Este mismo proceso se aplica a los cuatro cuadrantes de la imagen, por lo que al final se concatena toda esta información es un solo vector de la siguiente manera:

V_inf= [abc_cmx_c1-c4; abc_cmy_c1-c4; np_cmx_c1-c4; np_cmy_c1-c4; dep_cmx_c1-c4; dep_cmy_c1-c4]

Donde:
abc_cmx_c1-c4: son las áreas bajo la curva del centro de masa en el eje X de los cuadrantes 1 al 4.
abc_cmy_c1-c4: son las áreas bajo la curva del centro de masa en el eje Y de los cuadrantes 1 al 4.
np_cmx_c1-c4: número de picos en el centro de masa del eje X de los cuadrantes 1 a 4.
np_cmy_c1-c4: número de picos en el centro de masa del eje Y de los cuadrantes 1 a 4.
dep_cmx_c1-c4: distancia entre picos del centro de masa en el eje X de los cuadrantes 1 al 4.
dep_cmy_c1-c4: distancia entre picos del centro de masa en el eje Y de los cuadrantes 1 al 4.

Todo este proceso que ha sido aplicado a la misma imagen de un mismo individuo, se repite para 148 diferentes individuos los cuales tienen 12 muestras del mismo dedo (índice derecho), teniendo un total de 1776 muestras en total. Cada vector de información de las 1776 muestras, se almacena en una matriz, la cual será analizada posteriormente por medio de una red neuronal de Cohonen (clasificador de inteligencia artificial) el cual deberá ser entrenado para así en base a las características que han sido extraídas pueda realizar una clasificación de los individuos.

• RESULTADOS

Con la aplicación del centro de masa en el eje X y Y a estas imágenes, se ha podido obtener tres parámetros que se consideran son discriminantes entre los individuos como el área bajo la curva, numero de picos y las deltas entre cada pico, dicha información se ha almacenado en una matriz para analizarla posteriormente por el clasificador. Actualmente este trabajo se encuentra en la etapa del entrenamiento de la red de Cohonen por lo que gasta el momento no se tiene algún resultado en específico sobre el clasificador, puesto que es necesario realizar ajustes para separar nuevamente la información que había sido previamente concatenada.
Cabe mencionar que esta técnica del centro de masa no había sido aplicada en imágenes de este tipo para extraer información, por lo que se considera un aporte para la comunidad científica al utilizar herramientas para obtener características que permitan realizar una clasificación entre individuos.

• CONCLUSIONES

El avance que se ha presentado en este trabajo es con la finalidad de obtener parámetros que permitan clasificar individuos por medio de sus rasgos biométricos, específicamente en la superficie de los nudillos. Por lo que aún se encuentra en la última etapa del diseño del clasificador, aún no se tienen resultados concisos de que esta técnica de extracción sea exitosa o no, pero se espera que pueda otorgar un alto porcentaje de clasificación y reconocimiento de los individuos.

REFERENCIAS

Lira Chávez, J. (2010). Tratamiento Digital de Imágenes Multiespectrales. México, Distrito Federal: UNAM.

Mahesh Kumar, K. P. (2014). Finger Knuckle-Print identification based on local and global feature extraction using sdost. American Journal of Applied Sciences, 929-938.

Nalwa, V. (2002). Automatic on-line signature verification. Proceedings of the IEEE, 215 - 239.

Paul, H. (2007). Física Conceptual. México: Pearson.
(PolyU) Finger-Knuckle-Print Database. Disponible en The Hong Kong Polytechnic University

(PolyU) Finger-Knuckle-Print Database: http://www4.comp.polyu.edu.hk/~biometrics/FKP.htm

Shoichiro Aoyama, K. I. (2014). A finger-knuckle-print recognition algorithm using phase-based. Information Sciences, 53 - 64.

Zhu, H., Zhang, L., & Zhang, D. (16 de Mayo de 2014). The Hong Kong Polytechnic University