Detección de huellas dactilares usando redes neuronales adecuadas a cambios físicos de la huella
DOI:
https://doi.org/10.33131/24222208.271Palabras clave:
Filtro Gabor, procesamiento de imágenes, crestas, minucias, defecto físicoResumen
En este trabajo se muestra los resultados generados de una investigación terminada , usando técnicas de procesamiento de imágenes para mejorar la huella obtenida de una base de datos donde se normaliza y segmenta la imagen para obtener solo la región de interés en la imagen con la huella; posteriormente se aplica el filtro Gabor, que corrige los defectos en las crestas y los valles, permitiendo mantener la continuidad en los mismos, y de esta manera, si la huella tiene un defecto físico, el filtro es capaz de corregirlo, siempre y cuando la orientación del segmento sea correcta. Una vez mejorada la huella se puede binarizar y adelgazar para la extracción de minucias. Las minucias son filtradas para eliminar todas las falsas minucias y asegurar el funcionamiento del algoritmo. Por último se hace un entrenamiento con las minucias de todas las huellas en la base de datos, para que esta determine individualmente a que usuario pertenece la huella ingresada. Los resultados arrojan una confiabilidad de un 81% del proceso, siendo vital la parte de pre-procesamiento para garantizar la correcta extracción de las características de las huellas.
Descargas
Referencias bibliográficas
A. K. Jain, S. Prabhakar, and L. Hong, “A Multichannel approach to fingerprint classification,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 21, no. 4, pp. 348–359, 1999.
C. L. Wilson, G. T. Candela, and C. I. Watson, “Neural Network Fingerprint Classication,” J. Artical Neural Networks, vol. 1, no. 2, 1993.
D. Maltoni, D. Maio, A. K. Jain, and S. Prabhakar, Handbook of Fingerprint Recognition, Second Edi. Lodon, 2009.
S. Gupta and A. P. Rao, “Fingerprint Based Gender Classification Using Discrete Wavelet Transform & Artificial Neural Network,” vol. 3, no. 4, pp. 1289–1296, 2014.
B. Vanathi, K. Shanmugam, and V. Rymand Uthairaj, “A secure M-commerce architecture for service provider to improvize quantity and quality of the products using fingerprint authentication and gender classification,” Asian J. Inf. Technol., vol. 15, no. 2, pp. 232–242, 2016.
P. G. Goyal and R. Luthra, “Neural network Based approach for Image skeletonization on Gurumukhi Characters,” vol. 3, no. 2, pp. 1325–1329, 2015.
L. Hong, Y. Wan, and A. Jain, “Fingerprint image enhancement: Algorithm and performance evaluation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 20, no. 8, pp. 777–789, 1998.
R. Thai, “Fingerprint Image Enhancement and Minutiae Extraction,” p. 63, 2003.
A. L. Velasco, “Tratamiento dıgital de huellas dactilares,” p. 38.
G. Á. Werner and L. H. P. D, “Tuning an artificial neural network to increase the efficiency of a fingerprint matching algorithm,” pp. 105–109, 2016.
Karam ekhlas, J. Hanady, and Ali ekbal, “Fingerprint Recognition Using Discrete Wavelet Transform And Neural Network For Estimation Rotation Region,” J. Eng. Dev., vol. 18, no. 3, pp. 55–66, 2014.
A. Agarwal, A. K. Sharma, and S. Khandelwal, “Fingerprint Recognition System by Termination Points Using Cascade-Forward Backpropagation Neural Network,” pp. 203–211, 2016.
Z. Guo and R. W. Hall, “Parallel thinning with two-subiteration algorithms,” Commun. ACM, vol. 32, no. 3, pp. 359–373, 1989.
L. Lam, S.-W. Lee, and C. Y. Suen, “Thinning methodologies-a comprehensive survey,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 14, no. 9, pp. 869–885, 1992.
G. Z. Yang, “A Robust Handwriting Recognition System in MATLAB using Artificial Neural Network,” University of Malaya