Red SOM para clasificar tipos de huella dactilar con presencia de ruido

• Raúl Huarote-Zegarra ^[1] ; Edward Flores-Masías ^[2]
  1. [1] Universidad César Vallejo

     Universidad César Vallejo

     Provincia de Trujillo, Perú

     
  2. [2] Universidad Nacional Federico Villareal
• Localización: DYNA new technologies, ISSN-e 2386-8406, Vol. 6, Nº. 1, 2019
• Idioma: español
• Títulos paralelos:
  • SOM network to classify types of fingerprint with noise presence
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    El presente artículo tiene como objetivo clasificar las huellas dactilares usando la red neuronal artificial SOM (self organizing map) de Teuvo Kohonen, y como medio de aprendizaje de la red se usó las orientaciones de las líneas marcadas por las crestas y valles usando el filtro Gabor, a pesar de haber ruido presente. Conocer y aplicar el resalte de la red SOM en el aprendizaje de imágenes escaneadas de cada tipo de huella. Para el proceso de aprendizaje se usaron 100 imágenes de huellas de diferentes tipos (25 tipo ARCO, 25 tipo LEFT LOOP, 25 tipo RIGHT LOOP y 25 tipo WHORL) obtenidas de una base de datos pública. En el mapeo se usaron 2 grupos de imágenes, la primera son 10 imágenes nuevas por cada tipo (ósea 40 huellas) y un segundo grupo que son las mismas huellas del grupo anterior, pero agregándoles ruido de tipo ‘salt and pepper’ con densidad 0.03. Obteniendo resultados alentadores para el primer grupo 100% de identificación correctas de tipos de huellas y al segundo grupo con 95% de identificación correctas. Se concluye que la red SOM permite identificar tipos de huellas dactilares y con ruido aplicar filtros adicionales para obtener el mismo porcentaje.

  • English

    The objective of this article is to classify the fingerprints using the artificial neural network SOM (self-organizing map) of Teuvo Kohonen, and as a means of learning the network the orientations of the lines marked by the ridges and valleys using the Gabor filter were used, despite having present noise. Know and apply the highlight of the SOM network in the learning of scanned images of each type of footprint. For the learning process, 100 fingerprint images of different types were used (25 type ARCO, 25 type LEFT LOOP, 25 type RIGHT LOOP and 25 type WHORL) obtained from a public database. In the mapping, 2 groups of images were used, the first being 10 new images for each type (bone 40 tracks) and a second group that are the same tracks of the previous group, but adding "salt and pepper" noise with density 0.02. Obtaining encouraging results for the first group 100% correct identification of types of tracks and the second group with 95% correct identification. It is concluded that the SOM network allows to identify types of fingerprints and with noise apply additional filters to obtain the same percentage.