Detección de vida vía software en imágenes de iris ... - ATVS

More documents

Recommendations

Info

Figura 30. División de la base de datos.6.1 PROTOCOLO EXPERIMENTALEn la parte de experimentos, se realizaron 3 fases bien diferenciadas:i) Fase de diseño: Se observó después de la implementación de cada medidaindividual el comportamiento de los conjuntos de imágenes (original y falso)mediante el uso de histogramas. Así podríamos evaluar aproximadamente lacapacidad discriminativa de las medidas.Posteriormente se realizó la división de la base de datos, como se muestra en lafigura 30, para realizar la segunda y tercera fase de los experimentos(entrenamiento y test).ii)Fase de Entrenamiento: Se midió la capacidad de detección de las medidasimplementadas tanto individualmente como en grupos. Para medir la capacidadde detección valoramos el EMC entrenamiento (Error Medio de Clasificación en50
entrenamiento) y utilizamos el algoritmo SFFS de Pudil, para la búsqueda delos conjuntos de medidas que hiciesen mínimo ese valor.Una vez obtenidas las mejores combinaciones, entrenamos el clasificador contodas las muestras de esta fase, para en la siguiente fase pasar a clasificar lasimágenes de test en función de las imágenes de entrenamiento.iii)Fase de Test: Se obtuvieron los resultados definitivos del sistema enfrentandolas imágenes de test a la configuración llevada a cabo en la fase deentrenamiento (tanto en el clasificador como las medidas a utilizar por ser masdiscriminativas) observando la capacidad de detección de los mejoressubconjuntos extrayendo el EMC test (Error Medio de Clasificación en la fase detest) enfrentando la base de datos de test a la configuración de entrenamiento yasí independizando los resultados.Una vez obtenidos los resultados de las tres fases de experimentos, procedimos a compararresultados, viendo concordancia y evaluando de las posibles diferencias entre losresultados en las fases de entrenamiento y de testeo.51
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 18 and 19: mostrando el estado del arte en el
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 67 and 68: Los objetivos principales marcados
Page 69 and 70: Figura 32. Histogramas par a las me
Page 71 and 72: histograma con distribuciones muy s
Page 73: Se pueden sacar varias conclusiones
Page 76 and 77: menor tiempo de cálculo (a menor n
Page 78 and 79: [15] J. Daugman. How iris recogniti
Page 80 and 81: [46] M. Lane and L. Lordan. Practic
Page 83: PLIEGO DE CONDICIONESEste documento
Page 86 and 87: Condiciones particularesLa empresa
Page 89: ANEXO I: PUBLICACIONESEl trabajo pr
show all

Detección de vida vía software en imágenes de iris ... - ATVS

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?