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
7.2 FASES DE ENTRENAMIENTO Y TESTUna vez extraídos los histogramas de las medidas de calidad dividimos la basede datos y procedimos a obtener resultados medibles mediante valores, en estecaso utilizamos el EMC.Comenzamos con la búsqueda de los mejores subconjuntos de medidas(aquellos que obtuviesen mínimo EMC) utilizando el algoritmo SFFS.A la salida de la fase de entrenamiento obtuvimos los resultados que se puedenobservar en la tabla 3. Una vez que el mínimo EMC es alcanzado, utilizamoslos mejores subconjuntos de medidas de calidad para clasificar las imágenes detest (que durante todo el desarrollo del proyecto han sido mantenidas separadasde las muestras del conjunto de entrenamiento) para obtener resultadostotalmente imparciales sobre la capacidad discriminativa del sistema.En la tabla 3 también indicamos los resultados de clasificación del proyecto.Por claridad, sólo se muestran los mejores subconjuntos de características en elentrenamiento. Se muestran los valores de error medio de clasificación para elconjunto de entrenamiento (enfrentando 200 imágenes a otras 200 y viceversa)y para el conjunto de test (enfrentando las 1200 imágenes de test al algoritmoentrenado con las 400 de entrenamiento).Orden Subconjunto Clase EMC entrenamiento(%)EMC test(%)MCI6 Oclusión 19,25 24,00MCI10 Oclusión 19,25 20,871MCI11 Oclusión 18,50 22,50MCI13 Contraste 5,75 7,37MCI19 Oclusión 4,25 10,50MCI21 Oclusión 14,75 14,62MCI19 + MCI4 Oclusión + enfoque 2,25 5MCI19 + MCI13 Oclusión + contraste 0,25 3MCI19 + MCI14 Oclusión + contraste 2,75 6,502 MCI19 + MCI15 Oclusión + enfoque 2,50 4,75MCI19 + MCI21 Oclusión + Oclusión 4,00 5,37MCI19 + MCI22Oclusión +dilatación0,00 0,003MCI19 + MCI22+ MCI13Ocl+dilat+ contras. 0,00 0,004MCI19 + MCI22 Ocl + dilat++ MCI13+… contras.+…0,00 0,00Tabla 3.Resultados de clasificación para los mejores subconjuntos de características.58
Se pueden sacar varias conclusiones de los resultados mostrados en la Tabla 3:i) El método propuesto presenta un gran potencial como nuevo método paraprevenir ataques directo, obteniendo un 100% de acierto clasificandocorrectamente las muestras de nuestra base de datos.ii)iii)iv)Para las imágenes falsas usadas en el experimento (imágenes de alta calidadimpresas) las características de oclusión parecen presentar el mejorcomportamiento individual para la detección de vida.Cuando varias características son combinadas el mejor comportamiento esdebido a la complementariedad de los parámetros midiendo diferentescaracterísticas, lo que le hace al sistema ser más robusto (p.e. el primer 0%enerrores se obtiene al combinar un parámetro de oclusión con otro de dilatación).El comportamiento similar de los resultados en entrenamiento y test nos indicanque los resultados no son dependientes de las muestras utilizadas en ambossubconjuntos e invitan a pensar que estos buenos resultados se puedan mantenercon otras bases de datos.59
- 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
- Page 69 and 70: Figura 32. Histogramas par a las me
- Page 71: histograma con distribuciones muy s
- 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
7.2 FASES DE ENTRENAMIENTO Y TESTUna vez extraídos los histogramas <strong>de</strong> las medidas <strong>de</strong> calidad dividimos la base<strong>de</strong> datos y procedimos a obt<strong>en</strong>er resultados medibles mediante valores, <strong>en</strong> estecaso utilizamos el EMC.Com<strong>en</strong>zamos con la búsqueda <strong>de</strong> los mejores subconjuntos <strong>de</strong> medidas(aquellos que obtuvies<strong>en</strong> mínimo EMC) utilizando el algoritmo SFFS.A la salida <strong>de</strong> la fase <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to obtuvimos los resultados que se pue<strong>de</strong>nobservar <strong>en</strong> la tabla 3. Una vez que el mínimo EMC es alcanzado, utilizamoslos mejores subconjuntos <strong>de</strong> medidas <strong>de</strong> calidad para clasificar las imág<strong>en</strong>es <strong>de</strong>test (que durante todo el <strong>de</strong>sarrollo <strong>de</strong>l proyecto han sido mant<strong>en</strong>idas separadas<strong>de</strong> las muestras <strong>de</strong>l conjunto <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to) para obt<strong>en</strong>er resultadostotalm<strong>en</strong>te imparciales sobre la capacidad discriminativa <strong>de</strong>l sistema.En la tabla 3 también indicamos los resultados <strong>de</strong> clasificación <strong>de</strong>l proyecto.Por claridad, sólo se muestran los mejores subconjuntos <strong>de</strong> características <strong>en</strong> el<strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to. Se muestran los valores <strong>de</strong> error medio <strong>de</strong> clasificación para elconjunto <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to (<strong>en</strong>fr<strong>en</strong>tando 200 imág<strong>en</strong>es a otras 200 y viceversa)y para el conjunto <strong>de</strong> test (<strong>en</strong>fr<strong>en</strong>tando las 1200 imág<strong>en</strong>es <strong>de</strong> test al algoritmo<strong>en</strong>tr<strong>en</strong>ado con las 400 <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to).Or<strong>de</strong>n Subconjunto Clase EMC <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to(%)EMC test(%)MCI6 Oclusión 19,25 24,00MCI10 Oclusión 19,25 20,871MCI11 Oclusión 18,50 22,50MCI13 Contraste 5,75 7,37MCI19 Oclusión 4,25 10,50MCI21 Oclusión 14,75 14,62MCI19 + MCI4 Oclusión + <strong>en</strong>foque 2,25 5MCI19 + MCI13 Oclusión + contraste 0,25 3MCI19 + MCI14 Oclusión + contraste 2,75 6,502 MCI19 + MCI15 Oclusión + <strong>en</strong>foque 2,50 4,75MCI19 + MCI21 Oclusión + Oclusión 4,00 5,37MCI19 + MCI22Oclusión +dilatación0,00 0,003MCI19 + MCI22+ MCI13Ocl+dilat+ contras. 0,00 0,004MCI19 + MCI22 Ocl + dilat++ MCI13+… contras.+…0,00 0,00Tabla 3.Resultados <strong>de</strong> clasificación para los mejores subconjuntos <strong>de</strong> características.58