ARTÍCULO ORIGINAL

 

Reconocimiento de impresiones dactilares sobre la plataforma  Raspberry  Pi

 

Fingerprints recognition on Raspberry  Pi  platform

 

 

Emilio Rodríguez Hernández^1*,José Hernández Palancar¹,Alfredo Muñoz Briseño¹

¹Centro de Aplicaciones de Tecnologías de Avanzada. C.P. 12200, Siboney, Playa. La Habana, Cuba.

*Autor para la correspondencia: [e-mail]

 

 

---

RESUMEN

El reconocimiento de impresiones dactilares es  una técnica  ampliamente utilizada para la identificación  de individuos, debido a su invarianza  en el tiempo y a su singularidad.  El presente trabajo se propuso implementar un sistema de reconocimiento de personas por sus impresiones  dactilares sobre la plataforma Raspberry Pi. Esta investigación incluye la fundamentación de la selección del hardware, compuesto por la placa de desarrollo Raspberry Pi y el escáner DigitalPersona, así como la implementación del software, mediante la utilización de la biblioteca Libfprint.  Como resultado principal se obtuvo un sistema con la capacidad de identificar en tiempo real a un sujeto mediante la adquisición de su impresión dactilar a través de un escáner. Con la materialización de esta investigación se mostró la capacidad que poseen las placas de desarrollo para ser empleadas en sistemas biométricos enfocados al cumplimiento de diversas tareas.

Palabras clave: impresiones dactilares, Raspberry Pi, sistemas biométricos, sistema de reconocimiento

---

ABSTRACT

Fingerprints recognition  is a widely used technique  for people identification,  due to its time invariance and singularity. This work proposed the implementation of a recognition  system of subjects by their fingerprints over Raspberry Pi platform. This research  highlight the details of hardware selection, which is composed by the Raspberry Pi  development board  and DigitalPersona scanner, as well as the software implementation, through the Libfrpint library. The main result was a system with the ability to identify in real time a subject by acquiring his fingerprint through a scanner. This work showed the capability of development boards for being used on biometric systems in several tasks.

Key words: biometric systems, fingerprints, Raspberry Pi, recognition system

---

 

 

INTRODUCCIÓN

Las impresiones dactilares constituyen el primer rasgo biométrico utilizado en la historia. En 1893, las autori- dades del Reino Unido aceptaron a partir de los estudios realizados, que dos personas no presentan las mismas impresiones dactilares Maltoni  et al. (2009). Partiendo de este descubrimiento,  se comenzaron a extraer de las escenas del crimen para ser analizadas por expertos  que se especializaron  en esta nueva ciencia. Con la información proporcionada por el análisis de estas,  se pudieron esclarecer diversos crímenes a lo largo de la historia.

Estos fueron  los primeros  pasos en el reconocimiento de las impresiones dactilares, pero los avances de la ciencia y la tecnología  siempre fueron en ascenso y sus aplicaciones se expandieron hacia otras áreas  de la sociedad.  La seguridad y los fraudes de identidad constituyeron las principales razones que originaron sus nuevas aplicaciones.  La inserción  de los rasgos biométricos en sistemas destinados  para diversos fines originan los llamados Sistemas Biométricos, que al utilizar  dichas características intrínsecas de la identidad corporal del individuo, no pueden ser perdidos, ni descifrados, como ocurre con una contraseña o una tarjeta de identificación.

La necesidad  de aumentar la seguridad y mejorar los métodos  de identificación  de individuos para varios procesos de la cotidianidad, ha incrementado la utilización de los Sistemas Biométricos en diversas aplicaciones. Este término comienza a tomar popularidad con la implementación de los AFIS, los cuales ejecutan de forma automática el reconocimiento de las impresiones dactilares para la identificación de personas Bifari and Elrefaei (2014).

Los sistemas de reconocimiento de impresiones dactilares se han implementado sobre diferentes plataformas paralelamente a los avances tecnológicos. La literatura muestra soluciones realizadas sobre hardware programa- ble mediante lenguajes de descripción de hardware (HDL). Los FPGAs pertenecen a esta clasificación con una gran capacidad de cómputo, un elevado precio y la necesidad de un determinado grado de especialización para explotar sus funcionalidades.  Fons et al. (2012) describen la implementación de un sistema de reconocimiento de impresiones dactilares mediante el empleo de un FPGA. El sistema se encuentra basado en dos técnicas simultáneamente: el co-diseño hardware-software, principalmente orientado a la aceleración del procesamiento para aplicaciones en tiempo real, y el hardware flexible, para disminuir el costo y poder utilizar dispositivos lógicos dinámicamente reconfigurables de capacidad reducida.

Una aplicación  automatizada para el control de asistencia   se muestra en la solución  descrita  por Shegokar et al. (2015), la cual se centra en la utilización de la micro-computadora de placa única, Raspberry Pi, y la tecnología de comunicación inalámbrica NFC para la implementación de un sistema de reconocimiento facial. Se basa  en la utilización del módulo de cámara de la placa y la incorporación de una etiqueta NFC propia para cada individuo. Las imágenes recogidas por la cámara son procesadas por medio de la utilización de la biblioteca OpenCV, para efectuar el reconocimiento facial.

Los autores Shah et al. (2015) implementaron un sistema de enrolamiento remoto que fusiona dos métodos de reconocimiento biométrico, las impresiones dactilares y el reconocimiento facial. El nodo remoto de autenticación se realiza sobre una Raspberry Pi, y se establece  una conexión encriptada a través de la nube para enviar los datos recogidos a una base de datos que se encuentra  en el servidor. El análisis de la portabilidad incorporó al diseño una pequeña batería, pues la Raspberry Pi presenta un bajo consumo de energía lo cual constituye una fortaleza. El flujo de la solución comienza con la captura de las imágenes por la Raspberry Pi, tanto por el módulo de cámara como por el escáner de impresiones dactilares. Luego estas imágenes son encriptadas con la utilización del protocolo AES256 para ser enviadas a través de una conexión inalámbrica end-to-end hasta el servidor remoto.

Sapes and Solsona (2016) desarrollaron  un sistema de seguridad de bajo costo, basado en el reconocimiento de impresiones dactilares. Para ello utilizaron un escáner modelo GT(511C1R) y la placa de desarrollo Raspberry Pi con la distribución de GNU Linux, Raspbian. La herramienta FingerScanner se ofrece como  resultado de esta investigación, la cual es un sistema de seguridad que posibilita la validación de los usuarios por medio de la utilización de un escáner de impresiones dactilares. La solución utiliza el paradigma cliente-servidor, donde el servidor se  encuentra corriendo en la Raspberry (implementado con Node.js ). La comunicación  entre el escáner y la plataforma se realiza  a través del protocolo UART, y la conexión entre los dispositivos  se efectúa por medio de los pines del GPIO.

El presente trabajo brinda un acercamiento a la conformación de un sistema biométrico,  soportado sobre una tecnología  de hardware  de placa única  y bajo costo como la Raspberry Pi. Durante el transcurso de la investigación se abordan temas de relevancia como la selección  de los componentes que se utilizan  en la implementación tanto del hardware como el software, la descripción de los algoritmos utilizados para el procesamiento de las impresiones dactilares, y la discusión de los resultados obtenidos.

Descripción del sistema propuesto

El sistema propuesto  se encarga de realizar el reconocimiento de impresiones dactilares en tiempo real, lo que incide directamente  en la selección de las herramientas  que se deben emplear.  En un sistema biométrico basado en impresiones dactilares que funcione en tiempo real no puede faltar un escáner biométrico para la obtención de la imagen digitalizada de la huella. Luego, para la extracción de la información de interés, se debe contar con una unidad de procesamiento que implemente los métodos necesarios para una correcta extracción de los rasgos.

La selección de los componentes de hardware para el montaje del sistema  se realizó a partir  de un análisis sobre los recursos mínimos necesarios para satisfacer los objetivos de la investigación. El principal propósito de esta, sienta sus bases en la implementación  de un sistema de reconocimiento de personas basado en las impresiones dactilares sobre una tecnología de hardware de placa única y bajo costo. Por tanto, se procedió a la búsqueda de información acerca de estos tipos  de tecnologías. Los resultados del análisis señalan hacia la utilización de las placas de desarrollo que fusionan una excelente capacidad de cómputo, un tamaño compacto y un precio relativamente bajo para todas las bondades que ofrecen.

El sistema implementado en este trabajo adopta la Raspberry Pi como unidad de procesamiento, la cual pre- senta excelentes capacidades de hardware que maximizan su relación costo-prestaciones. Su amplia comunidad de usuarios que la emplean a nivel mundial se alza como otra de sus claras ventajas,  lo que permite encontrar gran cantidad de documentación acerca de su funcionamiento e instalación. La figura 1 muestra la placa de desarrollo con sus interfaces  y componentes.

El escáner biométrico utilizado es el DigitalPersona UareU 4500, el cual es compatible con la Raspberry Pi. Este presenta una resolución  de 512 dpi y puede ser utilizado en cualquier sistema operativo. La figura 2 muestra el esquema del sistema implementado y sus conexiones.

Los datos recolectados durante el proceso de enrolamiento  fueron serializados y almacenados en la base de datos "No SQL"  con el empleo  del gestor  Tokyo-Cabinet Database. La ventajas esenciales  de este  gestor  radican en sus rapidos accesos) debido  a que presenta el patron de diseiio "llave-valor"(key-value) y a su simplicidad para guardar datos no estructurados. Se conformaron dos bases  de datos de este tipo) una se utilizo  para almacenar los vectores  de rasgos  y la otra para guardar la informacion demogranca del usuario.

Durante la  etapa de  revision  bibliogranca se  detecto que  la  biblioteca Libfprint ha  sido  utilizada en varias investigaciones que presentan puntos de contacto con la presente. Esto  desperto el interes por  descubrir como se establecfa su funcionamiento y que posibilidades podia brindar. Uno de los motivos que propiciaron el primer acercamiento a esta  biblioteca fue  su  condicion de abarcar varios  de los modulos necesarios para realizar el correcto funcionamiento del sistema de reconocimiento. Cuenta ademas con la implementacion de drivers  para el manejo  de lectores biometricos de diferentes marcas Drake  (2008).

Algoritmos de procesamiento de  imagenes

Se hace  importante seiialar que  para la  realizacion de las  pruebas sobre el funcionamiento de la  biblioteca Libfprint fue necesario)  por  parte de su  diseiiador) incluir  la posibilidad de realizar las  actividades basicas del reconocimiento como la extraccion de rasgos  y la comparacion de vectores de rasgos.  Para esto utilizaron los metodos del NBIS estandarizados por  el Instituto Nacional  de  Normas  y Tecnologfas (NIST).

Estos métodos de procesamiento de impresiones dactilares se denominan MINDTCT y Bozorth3. Estos métodos emplean el análisis de las minucias de la impresión dactilar, que son los puntos donde las crestas se bifurcan o se terminan. Ambos algoritmos son utilizados para la detección automática de las bifurcaciones y terminaciones de las crestas, y para el cotejo entre las impresiones dactilares respectivamente Watson et al. (2007). Estas herramientas fueron desarrolladas por el FBI  y el DHS con el objetivo de facilitar y soportar la manipulación y el procesamiento automático de las impresiones dactilares.

Detección de minucias

El detector de minucias MINDTCT extrae de cada minucia cuatro elementos fundamentales,  su localización, orientación, tipo y calidad. El diagrama de la figura 3 muestra las ocho etapas presentes en su funcionamiento. A partir de la imagen de entrada de la impresión dactilar, el método genera un mapa representativo  de las zonas de calidad. En este se representan  las áreas de inestabilidad, donde la detección de minucias no es confiable. La generación de un mapa de orientación de las crestas forma parte del proceso, pues es necesario   para la asignación de los valores binarios en la etapa de binarización de la imagen. Con la obtención de la imagen binarizada, comienza la etapa de detección de minucias mediante la realización de varios escaneos simples en busca de patrones de píxeles predefinidos Watson et al. (2007). La etapa que le precede se encarga  de eliminar las falsas minucias, utilizando el mapa de calidad construido en la segunda fase. Luego se realiza un conteo de las crestas existente entre un punto de minucia y sus vecinos más cercanos. La séptima etapa lleva a cabo una evaluación de la calidad de las minucias para finalizar con la creación del archivo que contiene todos los puntos detectados.

Cotejo de minucias

El algoritmo de cotejo Bozorth presenta la característica de ser invariante a la traslación y a la rotación. Se encarga de calcular un coeficiente similitud  entre dos impresiones dactilares, utilizando para ello la posición de las minucias (x; y) y la orientación θ. Con estos datos se construyen  dos tipos de tablas denominadas:

1. Tabla de comparación de minucias de la impresión dactilar.

2. Tabla de compatibilidad entre impresiones dactilares.

La primera etapa se encarga de crear  una  tabla del tipo 1 por cada  impresi6n a comparar, denotadas como T y Q, en las cuales  se almacenan un vector  de rasgos  (mj, mk, dm,(3j, f3k)por cada  par  de minucias que esten  a una  distancia menor  que un umbral preestablecido, donde dm representa la distancia euclidiana entre  el par de minucias mj, mk, y {3j, f3k  representan los angulos existentes entre  el segmento que une a las minucias mj, mk  y la orientaci6n de estas. Las tablas de tipo  1 son las almacenadas en la base de datos de tokyo  cabinet, cuando se  realiza  una  inserci6n en  el sistema. En  la figura  4 puede  verse  una  representaci6n grafica  de  los  rasgos extrafdos.

En un segundo momento se com para cada elemento de T con cada elemento de Q. De esta manera, se almacenan en  una  tabla de tipo 2, denotada por  F, los pares  de vectores de  rasgos compatibles. Dos vectores de rasgos (mi ,m],dmt,  f3i, f3j) y (mk,mt,dm2,f3k,f3t) soncompatiblessi: ldmt-dm21 < thd,  l   f3i -f3kl < thbt  y l    f3j- f3tl< thb2, donde thd, thbt  y thb2 son umbrales preestablecidos. De esta  forma  se encuentra el mayor  subconjunto de entradas de  F que sea coherente geometricamente. A partir de dichas  entradas se calcula un coeficiente  de similitud global  Mayoue  (2008). Este coeficiente,  es utilizado para  decidir  si dos impresiones fueron  originadas por  un  mismo  dedo  o no.

 

DISCUSIÓN DE LOS RESULTADOS

En esta sección se realiza el análisis de los resultados obtenidos durante la implementación y la ejecución de las diferentes pruebas a las que se sometió el sistema propuesto. Con el fin de lograr una mayor comprensión esta discusión se divide en dos partes: el análisis de eficacia y el análisis de eficiencia.

Análisis de eficacia

Durante la realización de los experimentos para analizar la eficacia del sistema propuesto  se utilizó la base de datos de competencia FVC2004 Cappelli et al. (2004). Esta es generada  por una competencia internacional que somete a pruebas los algoritmos de verificación de impresiones dactilares.

El conjunto de impresiones utilizado fue el FVC2004 DB2_A, el cual cuenta con 100 sujetos distintas y 8 tomas de cada uno de ellos, para formar un total de 800 impresiones. Las impresiones que pertenecen a este grupo fueron recogidas por medio de la utilización del escáner DigitalPersona U.are.U 4000, con una resolución de 500 dpi y las imágenes presentan una dimensión de 328x364 píxeles. La razón que fundamenta la selección de este conjunto se debe a que la adquisición se realizó con el mismo tipo de sensor utilizado en la implementación del sistema propuesto. En la figura 5 se muestra una de las imágenes que forma parte de estas plantillas.

El protocolo estándar definifo por Cappelli et al. (2006) para evaluar la eficacia en esta base de datos  se define como sigue:

1. Del conjunto de plantillas se eligen  las imágenes que constituyen las primeras tomas de cada impresión.
Este grupo se le conoce como las impostoras porque todas las impresiones que lo forman son diferentes. Entonces, la prueba consiste en extraer los falsos positivos  que se puedan encontrar debido a que ninguna de ellas presenta coincidencias con otra. Para realizar esto se aplica un todos contra todos completando 4950 comparaciones.

2. Del conjunto se toman todas las impresiones que la componen y se procede  a realizar un con cada conjunto de las 8 tomas de cada impresión  que equivales a 2800 comparaciones. A este grupo se  les denominan las genuinas porque cada impresión contiene en la base de datos 7 impresiones coincidentes. Por tanto, la prueba se encarga  de extraer los falsos negativos.

Como resultado de la aplicación  de los métodos  del NBIS empleados  para la detección  de las minucias (MINDTCT) y para el cotejo  de impresiones (Bozorth3), se  computaron las curvas FMR  y FNMR  recogidas en la figura 6.

En aplicaciones que requieran una elevada seguridad se necesita   suprimir al máximo  la aceptación  de im- postores, lo que conlleva a modificar los umbrales de aceptación  y aumentar los rechazos  de impresiones genuinas. Los parámetros FMR100 y FMR1000 constituyen los puntos de operación de la FNMR para valores de FMR=  1/100 y FMR=  1/1000 respectivamente, los cuales describen la exactitud de los sistemas biométri- cos en escenarios de acceso restringido Cappelli et al. (2002). Esta forma de evaluación surge debido a que existen métodos que reportan altos valores de EER en comparación con otros, y sin embargo,  sus puntos de operación FMR100 y FMR1000 pueden presentar mejores resultados. El análisis de estos parámetros resultó en un EER=0.24, el cual se muestra en la gráfica de la figura 6, un FMR100=0.74 y un FMR1000=0.85. Se ob- servó que el extractor de rasgos utilizado falla en localizar algunas minucias, por lo que el uso de otro método de extracción puede mejorar grandemente los resultados obtenidos.

Anáilisis de  eficiencia

El  anaJisis  de  la eficiencia  del sistema se  ha  realizado a  partir de la  medicion del  tiem po consumido por  el proceso  de  identificaci6n de  una  persona para  diferentes numeros de individuos enrolados. Estos  tiempos se comienzan a medir  desde  la lectura del escaner  hasta la devoluci6n del coeficiente  de similitud por  parte del algoritmo de comparaci6n (Bozorth3 para este caso ).

Con  el fin de estimar los tiempos de identificaci6n se introdujo en el c6digo  fuente  de  la  aplicaci6n algunas sentencias que  permiten medir  estos  intervalos de tiempo. Se incluyen  en la estimaci6n, las iteraciones por la base de datos y la comparaci6n con cada  uno de los vectores de rasgos hasta el reconocimiento de la impresi6n por  el sistema. Para  poder  ilustrar estas mediciones y evaluar su  comportamiento, se  realizaron varias  salvas ala base de datos en diferentes momentos con una  cantidad de impresiones variable con diferencia de 50 entre cada  una, para  contar con  un  total de  250 impresiones. La figura  7 muestra los tiempos que el sistema tarda en realizar com paraciones con todas las tablas de  rasgos almacenadas en la base  de datos.

Siendo el Bozorth un algoritmo costoso se muestra que los tiempos de busqueda son aceptables para aplicaciones ligeras.  No obstante, en el sistema propuesto es posible implementar otros algoritmos mas eficientes  y eficaces.

 

CONCLUSIONES Y TRABAJOS FUTUROS

En este trabajo se implementó y analizó un sistema de identificación de personas por medio de sus impresiones dactilares, realizando todo el procesamiento en una Raspberry Pi. Esto permitió mostrar la capacidad que presentan estas placas de desarrollo para ser utilizadas en aplicaciones  de este tipo. Los sistemas que cuentan con este hardware como unidad principal de procesamiento logran disminuir el costo del despliegue de las soluciones, aumentar la portabilidad de estas y reducir el tamaño físico junto al consumo de energía. El sistema que se describe  en esta investigación utiliza los algoritmos de NBIS para la detección y cotejo de minucias, siendo este fue un caso de prueba. La aplicación es capaz  de trabajar con otros algoritmos que ejecuten estas mismas funciones, por lo que para futuras investigaciones  se desarrollarán otros algoritmos que mejoren los valores de EER, FMR100 y FMR1000 alcanzados por los métodos  del NBIS. Para trabajos posteriores   se propone utilizar otras placas de desarrollo para evaluar en ellas el funcionamiento del sistema propuesto.

 

REFERENCIAS BIBLIOGRÁFICAS

Ezdihar N. Bifari and Lamiaa A. Elrefaei. Automated Fingerprint Identification System based on weighted feature points matching algorithm. In 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI), pages 2212–2217. IEEE, September 2014.

Raffaele Cappelli, Dario Maio, Davide Maltoni,  James L. Wayman, and Anil  K.  Jain.  FVC2002: Second Fingerprint Verification Competition. Object recognition supported by user interaction for service robots, 3:811–814, August 2002.

Raffaele Cappelli, Dario Maio, Davide Maltoni, James L. Wayman, and Anil K. Jain. FVC2004: Third Fin- gerprint Verification Competition. Biometric Authentication, 24(3):1–7, 2004.

Raffaele Cappelli, Dario Maio, Davide Maltoni, James L. Wayman, and Anil K. Jain. Performance evaluation of fingerprint verification systems. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(1): 3–18, January 2006.

Tokyo-Cabinet Database. http://hammerprinciple.com/databases/items/tokyo-cabinet. Daniel Drake. Fingerprint Abstraction Layer for Linux, April 2008.

Mariano Fons, Francisco Fons, Enrique Canto, and Mariano Lopez. FPGA-based Personal Authentication Using Fingerprints. J Sign Process Syst, Springer Science, pages 153–189, 2012.

Davide Maltoni, Dario Maio, Anil K. Jain, and Salil Prabhakar. Handbook of Fingerprint Recognition. Springer, 2da edition, 2009.

Aurelién Mayoue. A biometric reference system for fingerprint NIST Fingerprint Image Software 2, 2008. Jordi Sapes and Francesc Solsona. FingerScanner:Embedding a Fingerprint Scanner in a Raspberry Pi. Sensors, 2016.

Dhvani K. Shah, Vinayak A. Bharadi, V.J. Kaul, and Sameer Amrutia.  End-to-End Encryption Based Bio- metric SaaS: Using Raspberry Pi as a Remote Authentication Node. In 2015 International Conference on Computing Communication Control and Automation (ICCUBEA),  pages 52–59. IEEE, February 2015.

Nikhil P. Shegokar, Kaustubh S. Jaipuria, and Amitkumar Manekar. Review automated students attendance Management  System using Raspberry-Pi  and NFC.   International  Journal of Research in  Computer & Information Technology (IJRCIT), 1(1):90–92, 2015. ISSN 2455-3743.

Craig I. Watson, Michael D. Garris, Elham Tabassi, Charles L. Wilson, R. Michael Mccabe, Stanley Janet, and Kenneth Ko. Users guide to NIST biometric image software (NBIS), 2007.

 

 

Recibido: 01/11/2017
Aceptado: 17/09/2018