11.07.2015 Views

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

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

Dilatación <strong>de</strong> la pupila (MCI22) [17]: calcula la relación <strong>en</strong>tre los radios <strong>de</strong>pupila e <strong>iris</strong>:Figura 27. Proceso <strong>de</strong> obt<strong>en</strong>ción <strong>de</strong>l factor MCI22Otras medidas: para este proyecto fueron implem<strong>en</strong>tadas otras 4 medidas que nohan sido <strong>de</strong>scritas ya que fueron retiradas <strong>de</strong>l conjunto <strong>de</strong> medidas por causarproblemas <strong>en</strong> el algoritmo <strong>de</strong> clasificación <strong>de</strong>bido a las distribuciones <strong>de</strong> valoresque tomaban.5.3 SELECCIÓN DE CARACTERÍSTICAS Y CLASIFICADORDebido a la multidim<strong>en</strong>sionalidad <strong>de</strong>l método, es posible que los mejores resultados <strong>de</strong>clasificación no obt<strong>en</strong>gan utilizando el conjunto <strong>de</strong> las 22 medidas implem<strong>en</strong>tadas,(<strong>de</strong>scritas <strong>en</strong> el apartado 5.2), pero sí un subconjunto <strong>de</strong> ellas.Al t<strong>en</strong>er 22 medidas el combinarlas todas <strong>en</strong> subgrupos <strong>de</strong> 1 hasta 22 nos daría unacantidad <strong>de</strong> 2 22 -1 experim<strong>en</strong>tos, una cantidad inviable como para plantearnos hacer unabúsqueda exhaustiva <strong>de</strong>l subconjunto óptimo. Por esta razón se utilizó el algoritmoadaptado <strong>de</strong> Pudil [27] <strong>de</strong> selección <strong>de</strong> características Sequ<strong>en</strong>tial Floating FeatureSelection ( SFFS) para obt<strong>en</strong>er un error <strong>de</strong> clasificación mínimo.Este algoritmo ha sido probado previam<strong>en</strong>te y ha <strong>de</strong>mostrado bu<strong>en</strong>os resultados <strong>en</strong>comparación con otras técnicas <strong>de</strong> selección <strong>de</strong> características [19]. Consiste <strong>en</strong> unabúsqueda <strong>de</strong> óptimos por iteraciones. En cada iteración el algoritmo basa la elección <strong>de</strong>lsigui<strong>en</strong>te subconjunto, <strong>en</strong> los resultados <strong>de</strong> subconjuntos anteriores (para nuestro caso lafunción <strong>de</strong> optimización es el error medio <strong>de</strong> clasificación producido).47

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!