Resumen de Reconocimiento de iris basado en fusión de información para condiciones no ideales
El reconocimiento de iris ha alcanzado gran popularidad en la última década entre las modalidades utilizadas para reconocimiento biométrico de personas. Esto se debe en gran medida a la fiabilidad proporcionada por el iris debido a dos características: es invariante en el tiempo y posee es altamente discriminante. Actualmente, la tendencia en las investigaciones desarrolladas sobre reconocimiento de iris, apunta a la utilización de esta tecnología en otras aplicaciones donde se requiere mayor flexibilidad. Entiéndase por flexibilidad cuando se refiere a las aplicaciones donde se requiere hacer reconocimiento de iris en condiciones no ideales por ejemplo de iluminación, escala, oclusión y/o perspectiva. A pesar de los grandes avances desarrollados en este campo de investigación existen grandes retos todavía en cuanto al reconocimiento de iris en condiciones no ideales.
En esta tesis se incluye una revisión profunda del campo del reconocimiento de iris utilizando métodos bibliométricos y que permite conocer aquellos aspectos y personas más relevantes dentro de este campo de investigación. También se presenta como principal contribución un método robusto y eficiente de reconocimiento de iris en condiciones no ideales, el cual segmenta el iris utilizado un enfoque de análisis de agregados de gradientes en arcos sucesivos. Para, a continuación, extraer características altamente discriminantes del iris utilizando para ello fusión de información. La información fusionada corresponde a 3 detectores de puntos de interés detectados en el espacio de escala y los que se le asigna una determinada ponderación. Dicha fusión se lleva a cabo utilizando un método original y que es una variante de la regla de fusión ``suma ponderada". Los detectores utilizados son: Harris-Laplace, Hessian-Laplace y Fast-Hessian. Una vez que las 3 fuentes de puntos de interés son determinadas, se utiliza el descriptor SIFT para caracterizar la región alrededor de cada punto de interés. Las puntuaciones o medidas de similitud entre imágenes representadas con descriptores SIFT correspondientes al individuo de prueba y el individuo registrado, se obtienen con una variante restringida de la medida de distancia llamada ``proporción de distancias de los vecinos más cercanos", y que se propone en la presente investigación. El método propuesto fusiona las puntuaciones obtenidas a partir de las 3 fuentes de información expuestas anteriormente utilizando ponderaciones obtenidas con un enfoque original de ranking de medidas de desempeño (AUC, EER y CRR at Rank-one). También se hacen importantes contribuciones en cuanto a la segmentación para otros métodos de reconocimiento de iris del estado del arte que requieren segmentación más precisa del iris, así se propone un nuevo método de segmentación de párpados usando un esquema de ajuste de contornos curvos optimizando características geométricas de trozos de contornos. Las experimentaciones para demostrar la validez del método propuesto se desarrollaron sobre las bases de datos más habituales: CASIA-IrisV4-Interval, ICE 2005, MMU 2 y UBIRIS 1; en los modos de verificación e identificación. Los resultados obtenidos demuestran que el método propuesto es muy competitivo respecto a los algoritmos del estado del arte. Asimismo constituye un buen punto de comienzo para motivar el desarrollo de nuevos métodos de reconocimiento de iris en condiciones no ideales utilizando representaciones de imágenes mediante puntos de interés detectados en el espacio de escala sobre iris segmentados de forma menos precisa.
