Parametrización y clasificación de imágenes acústicas para biometría

Abstract

En biometría, las técnicas de clasificación se basan en la extracción de parámetros de un gran conjunto de datos. A partir de imágenes acústicas 3D obtenidas con un array de sensores MEMS de alta resolución, este trabajo pretende implementar un modelo paramétrico que asocie a cada imagen un conjunto de características. El objetivo es que estas permitan clasificar distintas personas en base a sus respuestas acústicas, utilizado un algoritmo SVM a través de LabVIEW. Para ello, contar con un conjunto de imágenes de calidad para fines biométricos es imprescindible, por lo que el primer paso es considerar distintos aspectos y parámetros en relación con el sistema de adquisición y procesado de las imágenes. Seguidamente, se plantean distintos modelos basados en la respuesta espacial del array o en los máximos 3D presentes en las imágenes, así como distintas técnicas de extracción de parámetros que permitan obtener las características necesarias para entrenar los clasificadores. Finalmente, se evalúan los resultados conseguidos obteniendo para el mejor algoritmo una precisión de algo menos del 90%.

In biometrics, classification techniques are based on the extraction of parameters from a large dataset. Using 3D acoustic images obtained with a high-resolution MEMS sensor array, this work aims to implement a parametric model that associates a set of features to each image. The aim is to classify different people based on their acoustic responses using an SVM algorithm through LabVIEW. For achieving this objective, it is essential to have a set of quality images for biometric purposes, so the first step is to consider different aspects and parameters in relation to the image acquisition and processing system. Subsequently, different models based on the spatial response of the array or on the 3D maxima present in the images are proposed, as well as different parameter extraction techniques to extract the necessary features to train the classifiers. Finally, the results obtained are evaluated, obtaining a precision slightly below of 90% for the best algorithm.