¡Descarga El reconocimiento de iris: ingeniería detrás de una tecnología biométrica y más Guías, Proyectos, Investigaciones en PDF de Tecnología Electrónica solo en Docsity!
Bosquejo (Producto 1) Título tentativo del artículo de divulgación Reconocimiento de iris: la ingeniería detrás Llamada de atención (pregunta, anécdota, dato, escenario…) El reconocimiento de iris se ha convertido en un punto importante para la autentificación de usuario en sus diferentes dispositivos y debido a sus patrones únicos puede ser utilizado como tal. Pero, ¿cómo es que este proceso se lleva a cabo? I. Introducción A. Contextualización Métodos de autentificación biométrica han sido inventados hasta el día de hoy, entre los más comunes se encuentran: reconocimiento de huella digital; de voz; geometría de las manos y los dedos; geometría de las venas de las manos, y reconocimiento de los vasos sanguíneos de la retina. B. Marco conceptual El reconocimiento de iris es un método de autentificación biométrica que utiliza ciertas técnicas para reconocer patrones en el iris. C. Planteamiento inicial El proceso para reconocer el iris en una imagen varía dependiendo de su aplicación, por ejemplo, si está destinado a un banco el proceso puede inclinarse hacia la fiabilidad en lugar de la velocidad de procesamiento, o si es para acceder a un dispositivo móvil puede buscar un equilibrio entre ambos. D. Asuntos por tratar Proceso interno del reconocimiento de iris; explicación detallada. II. Exposición A. Título interno 1 : Segmentación de iris
- Planteamiento El segmentar la imagen ayuda a identificar y focalizar el área en el que se está interesado y donde se aplicarán los procedimientos posteriores.
- Exposición El proceso se divide en dos: localización de la pupila y determinación de las fronteras del iris.
- Cierre o transición
Una vez que la región del iris ha sido identificada a través del límite interno y externo del iris, la información de los componentes fuera de estos límites es removidos y se normaliza la imagen. B. Título interno 2 : Normalización de la imagen
- Planteamiento La normalización es usada para producir una imagen con tamaño estándar puesto que el área obtenida después de la segmentación contiene una gran cantidad de información.
- Exposición La normalización también ayuda a reducir el número de objetos a procesar y, por lo tanto, disminuye el tiempo de procesamiento del sistema.
- Cierre o transición Este acercamiento ayudará a despreocuparse de la eliminación de ruido causado por las pestañas y por los párpados; la información normalizada casi no necesita de otro proceso de filtrado o interferencia. C. Título interno 3 : Deep Learning para reconocimiento de iris
- Planteamiento Después de haber sido realizados los procesos anteriores el siguiente paso consiste en extraer y clasificar la información de la imagen.
- Exposición Para la extracción de la información se utilizará una Red Neuronal Convolucional y para la clasificación una función Softmax.
- Cierre o transición Los pesos de la red son ajustados a los parámetros requeridos al terminar el entrenamiento y solo será necesario colocar una imagen de entrada para obtener los resultados. III. Conclusión. Título que no sea conclusión A. Reformulación del planteamiento inicial Los algoritmos utilizados para el reconocimiento de iris han ido evolucionando al buscar maneras más eficientes y certeras de hacer el reconocimiento. B. Proyección del tema a futuro Dispositivos con reconocimiento de iris ya se utilizan hoy en día, pero se busca su mejoramiento.
Segmentación de iris La segmentación consiste en identificar y separar elementos de una imagen, y ayudar a focalizar el proceso en el área en el que se requiere trabajar. En este caso se busca localizar la pupila y, a partir de esta, determinar las fronteras del iris. Para localizar el iris se utilizan dos algoritmos, uno basado en la Transformada de Hough para determinar la circunferencia de la pupila, y el algoritmo de umbral que permite estimar la posición del centro de la pupila basado en los valores de grises bajos alrededor de la región. El valor de umbral para una imagen de un ojo es seleccionado, y basados en este valor, pixeles del ojo con valores mayores a él son considerados como el fondo de la imagen, mientras que valores menores son considerados un objeto. Un ejemplo de este proceso se muestra en la Fig. 2. Después de ser determinado el centro del iris, al ser el centro de la pupila y del iris casi idéntico, la estimación del centro, así como la del radio de las fronteras del iris, es similar a la determinación del centro y radio de la pupila. Sin embargo, al variar más la escala de grises en la imagen, otro tipo de procesamiento es usado: el filtro de Canny. Con este filtro es más sencillo obtener los bordes de la pupila basado en los cambios de los niveles de grises entre esta y el iris en comparación con la transformación de Hough, debido a los cambios menos notables en los colores. Fig. 2 Resultado de la estimación de la región de la pupila utilizando el algoritmo de umbral. Fig. 3 Imagen procesada con el filtro de Canny para denotar bordes.
Normalización de imagen Una vez que la región del iris ha sido identificada a través de la frontera interior y exterior y la información fuera de esta región ha sido removida, la normalización es usada para producir una imagen con un tamaño estándar y reducir la extensa cantidad de información prevaleciente después de la segmentación. Además, la normalización ayuda a reducir el número de objetos a procesar, por lo tanto, minimiza el tiempo de procesamiento del sistema. Usualmente, este proceso involucra remover componentes de ruido, en los cuales se incluyen las pestañas y los párpados que requieren ser removidos para no afectar el desempeño, así como la exactitud del proceso del sistema. Para minimizar la información sobre el iris, se utiliza otro método con el cual las regiones superiores e inferiores del iris serán descartadas porque estas áreas son las más afectadas por las pestañas y por los párpados, y la información normalizada se enfocará en cada lado de la pupila. Transformada de Hough Técnica que permite descubrir formas de una imagen basada en transformar dichos puntos en parámetros. Su propósito es encontrar figuras como rectas, círculos y polinomiales dentro de una imagen. Filtro de Canny Algoritmo de detección de bordes que cuenta con tres características principales: baja tasa de error, buena localización y respuesta única. Imagen original Imagen con filtro Canny
Red Neuronal Convolucional (CNN) Red Neuronal Artificial que imita el funcionamiento del ojo humano para identificar objetos y formas dentro de una imagen de entrada. Usualmente, este tipo de redes cuentan con diferentes capas: capa de convolución, capa de agrupación, y capa de clasificación o capa totalmente conectada. La primera capa, o capa de convolución, tiene como objetivo aplicar una operación de convolución para extraer características de alto nivel, como los bordes, color, orientación de degradado, etc., de la imagen de entrada. La capa de agrupación es responsable de reducir el tamaño espacial de la función de convolución para disminuir el poder computacional requerido para procesar la información. Además, es útil para extraer características dominantes que son invariantes posicionales y rotacionales, manteniendo así el proceso de entrenamiento efectivo del modelo. Finalmente, la capa de clasificación se encarga de distinguir las características dominantes de las de bajo nivel en la imagen y clasificarlas utilizando la técnica de clasificación Softmax. Ejemplo de estructura de una Red Neuronal Convolucional Función Softmax Función que limita el resultado a un rango entre 0 y 1 y permite que este sea interpretado directamente como una probabilidad.
El futuro Los algoritmos y procesos utilizados para el reconocimiento de iris han ido evolucionando al buscar maneras más eficientes y certeras de hacer el reconocimiento. Las técnicas utilizadas cambian dependiendo de la aplicación y de lo que se busca, por ejemplo, el uso de una Red Neuronal Convolucional de más de 150 capas mejora la certeza y confiabilidad mientras que una Red Neuronal de Avance es más rápida. Actualmente, el uso de esta tecnología se ha aplicado para la autentificación y acceso en algunos teléfonos móviles, así como en controles fronterizos en algunos países del mundo. En un futuro se busca que este tipo de tecnologías de autentificación biométrica se usen en más lugares para fortalecer la seguridad de nuestra información y propiedades, además de seguir aprovechando los patrones únicos con los que cuenta el cuerpo humano. Las investigaciones actuales buscan mejorar las técnicas empleadas, la fiabilidad, reducir el tiempo de autentificación y disminuir el poder de cómputo necesario para llevar a cabo cada tarea. Para saber más… Le-Tien et al. (2018). iris-Based Biometric Recognition using Modified Convolutional Neural Network. En H. Sari (Presidencia). 2018 International Conference on Advanced Technologies for Communications. Conferencia llevada a cabo en Ho Chi Minh City, Vietnam. Recuperado de https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber= Dwivedi, P. (2019). Understanding and Coding a ResNet in Keras. Febrero 02, 2020, de Medium. Recuperado de: https://towardsdatascience.com/understanding-and-coding-a-resnet-in- keras-446d7ff84d Saha, S. (2018). A comprehensive guide to Convolutional Neural Networks. Febrero 02, 2020, de Medium. Recuperado de https://towardsdatascience.com/a-comprehensive-guide-to- convolutional-neural-networks-the-eli5-way-3bd2b1164a
