Detección de vida vía software en imágenes de iris ... - ATVS
Detección de vida vía software en imágenes de iris ... - ATVS Detección de vida vía software en imágenes de iris ... - ATVS
mostrando el estado del arte en el campo de la adquisición y reconocimiento de imágenesde iris.En el capítulo 4 se hace un resumen sobre los principales métodos de ataque actuales a lossistemas biométricos centrándose en los ataques a sistemas de iris. La siguiente parte delcapítulo se centra en las principales contramedidas a estos ataques y en especial en ladisciplina de la detección de vida dando ejemplos actuales de métodos implementados.El capítulo 5 describe el sistema de detección de vida implementado, su estructura generaly presentación de cada una de sus partes.La presentación de la base de datos y el protocolo experimental se hace en el capítulo 6 yen el siguiente capítulo presentamos los resultados obtenidos en la investigación, para en elcapítulo 8 presentar las conclusiones y trabajo futuro.4
1.5. CONTRIBUCIONES CIENTÍFICASParte del trabajo recogido en esta memoria ha sido realizado con la financiación de unaBeca de Colaboración del MEC. Entre las tareas más representativas han estado:Estudio e implementación de 22 factores de calidad utilizados para lainvestigación.Adaptación del código de selección de características (SFFS) en función delerror de clasificación de los 22 parámetros implementados.Adaptación del algoritmo generado para la predicción de vulnerabilidades enimágenes de iris (a ser fácilmente plagiadas o no) con parámetros de calidad(ANEXO I).Este trabajo de investigación ha dado lugar a dos artículos en congresos internacionalescon revisión, (anexo I del proyecto): J.Ortiz-Lopez, J.Galbally, J.Fierrez, J.Ortega-García “Predicting IrisVulnerability to Direct Attacks Based on Quality Related Features” In:Int.Carnahan Conf. on Security Technology (ICCST), Barcelona 2011(accepted).J.,Galbally, J.Ortiz-Lopez, J.Fierrez and J.Ortega-García “Iris LivenessDetection Based on Quality Related Features” In: Int. Conference onBiometrics (ICB) New Delhi 2012(submitted)5
- Page 3: SISTEMA DE DETECCIÓN DE VIDA VÍA
- Page 7: Agradecimientos:Quiero agradecer en
- Page 11 and 12: INDICE DE CONTENIDOSIndice de figur
- Page 13: INDICE DE FIGURASFigura 1. Iris, pu
- Page 16 and 17: forma que se consiga aumentar la co
- Page 21 and 22: 2. INTRODUCCIÓN A LABIOMETRÍABiom
- Page 23 and 24: desarrollado sistemas que trabajan
- Page 25 and 26: 2.3. SISTEMAS BIOMÉTRICOSUn sistem
- Page 27 and 28: 2.4. FUNCIONAMIENTO DE LOS SISTEMAS
- Page 29: Figura 3. Ejemplo de curvas de FAR,
- Page 32 and 33: 3.2. EVOLUCIÓN EN EL TIEMPOEl conc
- Page 34 and 35: Epitelio posterior pigmentado, comp
- Page 36 and 37: Aun con estos sistemas, es necesari
- Page 38 and 39: Figura 11. Ejemplo de detección de
- Page 41 and 42: 4. ATAQUES A SISTEMASAUTOMÁTICOS D
- Page 43 and 44: detectados, pudiendo cambiar los va
- Page 45: Por otro lado los investigadores We
- Page 48 and 49: Figura 14. Diagrama general del sis
- Page 50 and 51: Potencia de altas frecuencias 2 (MC
- Page 52 and 53: La figura 15 muestra como sensiblem
- Page 54 and 55: Figura 18. Espectro de potencia de
- Page 56 and 57: Relaciones de distribución de frec
- Page 58 and 59: Relación entre iris e imagen (MCI1
- Page 60 and 61: Contraste local (MCI13): nueva prop
- Page 62 and 63: Para la clasificación de las imág
- Page 64 and 65: Figura 30. División de la base de
- Page 67 and 68: Los objetivos principales marcados
1.5. CONTRIBUCIONES CIENTÍFICASParte <strong>de</strong>l trabajo recogido <strong>en</strong> esta memoria ha sido realizado con la financiación <strong>de</strong> unaBeca <strong>de</strong> Colaboración <strong>de</strong>l MEC. Entre las tareas más repres<strong>en</strong>tativas han estado:Estudio e implem<strong>en</strong>tación <strong>de</strong> 22 factores <strong>de</strong> calidad utilizados para lainvestigación.Adaptación <strong>de</strong>l código <strong>de</strong> selección <strong>de</strong> características (SFFS) <strong>en</strong> función <strong>de</strong>lerror <strong>de</strong> clasificación <strong>de</strong> los 22 parámetros implem<strong>en</strong>tados.Adaptación <strong>de</strong>l algoritmo g<strong>en</strong>erado para la predicción <strong>de</strong> vulnerabilida<strong>de</strong>s <strong>en</strong>imág<strong>en</strong>es <strong>de</strong> <strong>iris</strong> (a ser fácilm<strong>en</strong>te plagiadas o no) con parámetros <strong>de</strong> calidad(ANEXO I).Este trabajo <strong>de</strong> investigación ha dado lugar a dos artículos <strong>en</strong> congresos internacionalescon revisión, (anexo I <strong>de</strong>l proyecto): J.Ortiz-Lopez, J.Galbally, J.Fierrez, J.Ortega-García “Predicting IrisVulnerability to Direct Attacks Based on Quality Related Features” In:Int.Carnahan Conf. on Security Technology (ICCST), Barcelona 2011(accepted).J.,Galbally, J.Ortiz-Lopez, J.Fierrez and J.Ortega-García “Iris Liv<strong>en</strong>essDetection Based on Quality Related Features” In: Int. Confer<strong>en</strong>ce onBiometrics (ICB) New Delhi 2012(submitted)5