💻 computer science

A simple approach for biometrics: Finger-knuckle prints recognition based on a Sobel filter and similarity measures

Este artículo propone un método rápido y eficiente de reconocimiento de impresiones de nudillos de los dedos que utiliza un filtro de Sobel y reducción de ruido para generar imágenes binarias para su comparación mediante medidas de similitud, logrando una tasa de verdaderos positivos de hasta el 17,02 % en un conjunto de datos grande.

Autores originales: E. O. Rodrigues, T. M. Porcino, Aura Conci, Aristofanes C. Silva

Publicado 2026-05-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: E. O. Rodrigues, T. M. Porcino, Aura Conci, Aristofanes C. Silva

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una "huella dactilar" única no en la punta de tu dedo, sino en el nudillo (la articulación) donde se dobla tu dedo. Al igual que tu huella dactilar, la piel de tu nudillo tiene un patrón específico de líneas y valles que nadie más tiene. Este artículo propone una forma simple, rápida y astuta de identificar personas utilizando estos patrones de nudillos.

Aquí está el desglose de su método, explicado con analogías cotidianas:

El Objetivo: Una Verificación de Identidad Sencilla

La mayoría de los sistemas de seguridad son como bóvedas complejas y de alta tecnología que tardan mucho en abrirse. Los autores querían construir una versión de "cerradura de bicicleta" de la seguridad biométrica: simple, rápida y efectiva. Querían ver si podían identificar a una persona simplemente mirando una foto de su nudillo, sin necesidad de un procesamiento informático pesado.

Paso 1: La Linterna de "Sombra y Luz" (Detección de Bordes)

Cuando tomas una foto de un nudillo, es solo una imagen plana. Para encontrar las líneas únicas, los investigadores utilizaron una herramienta digital llamada filtro de Sobel.

Piensa en esto como iluminar una pared texturizada con dos linternas diferentes:

La Luz de "Sombra": Esta brilla desde un lado, haciendo que los valles profundos proyecten sombras largas.
La Luz de "Luz": Esta brilla desde el otro lado, resaltando las crestas que capturan la luz.

Al hacer esto, la computadora no ve solo una foto; ve un mapa de los "valles" y las "crestas" de la piel. El resultado es una imagen en blanco y negro donde las líneas importantes son blancas y el fondo es negro.

Paso 2: La "Escoba de Polvo" (Reducción de Ruido)

Cuando usas esas linternas digitales, a veces obtienes "estática" o "polvo": puntos blancos pequeños y aleatorios que no forman parte del patrón real del nudillo. Estos son errores.

Los investigadores utilizaron un algoritmo de "reducción de ruido", que actúa como una escoba de polvo. Mira cada punto individual en la imagen. Si un punto blanco está solo (como un grano de polvo), la escoba lo barre. Si un grupo de puntos blancos está agrupado (como una línea real en el nudillo), la escoba los deja en paz. Esto limpia la imagen para que la computadora no se confunda con motas aleatorias.

Paso 3: El "Recorte" (Extracción de ROI)

Después de limpiar la imagen, no necesitan toda la foto. Solo necesitan la parte específica con el nudillo. Recortan una "etiqueta" rectangular (llamada Región de Interés) que contiene solo el patrón del nudillo, descartando el resto del dedo.

Paso 4: El "Juego de Emparejamiento" (Medidas de Similitud)

Ahora, el sistema tiene una "etiqueta" limpia en blanco y negro de tu nudillo. Para ver si coincide con alguien en la base de datos, debe comparar tu etiqueta contra miles de otras etiquetas.

El artículo probó tres formas diferentes de jugar este juego de emparejamiento:

El Conteo "Píxel por Píxel" (Media Absoluta): Esto es como verificar si dos piezas de rompecabezas son exactamente iguales. Si incluso un punto diminuto está en el lugar equivocado, se cuenta como un desacuerdo. Los autores encontraron que esto era demasiado estricto; no se preocupaba por la forma general, solo por la posición exacta.
El Escenario del "Peor Caso" (Distancia de Hausdorff): Esto busca el error más grande único. Imagina que dos formas son 99% idénticas, pero una tiene una mota diminuta lejos. Este método diría: "Son totalmente diferentes debido a esa mota". Es muy sensible a los errores.
El "Vecino Promedio" (Distancia de Chamfer): Este fue el ganador. Imagina que estás tratando de emparejar dos formas. En lugar de exigir que sean idénticas, este método pregunta: "Para cada punto en tu forma, ¿qué tan cerca está el punto más cercano en mi forma?". Promedia estas distancias. Es indulgente con pequeños errores, pero aún reconoce el patrón general.

Los Resultados: ¿Qué tan bien funcionó?

Los investigadores probaron esto en una base de datos de 147 personas, cada una con 12 fotos diferentes de sus nudillos.

La Puntuación: Cuando el sistema tuvo que adivinar quién era una persona a partir de una sola foto, lo acertó en un 17.02% de las veces.
Por qué ese número es bueno: Si el sistema estuviera adivinando al azar, solo lo acertaría aproximadamente en un 0.68% de las veces. Por lo tanto, su método fue aproximadamente 25 veces mejor que la adivinanza aleatoria.
La Trampa de la "Precisión": El artículo señala que el sistema tenía una "precisión" muy alta (99.99%), pero esto es un poco un truco. Debido a que hay tantas personas que no coinciden (verdaderos negativos), el porcentaje general parece enorme. La prueba real es la Tasa de Verdaderos Positivos (obtener a la persona correcta), que fue el 17.02% mencionado anteriormente.

La Conclusión

Los autores concluyen que su método es simple, rápido y robusto.

Como convirtieron las imágenes en mapas simples en blanco y negro, la computadora no tiene que hacer matemáticas pesadas.
Puede ejecutarse en computadoras muy básicas.
Aunque el 17% puede sonar bajo en comparación con sistemas complejos, los autores señalan que si la base de datos fuera más pequeña (como una pequeña oficina de 20 personas) o si escanearan a la persona dos veces, la tasa de éxito sería mucho mayor.

En resumen, demostraron que no necesitas una supercomputadora para reconocer un nudillo; solo necesitas una forma astuta de mirar las sombras y las líneas, limpiar el polvo y usar un juego de emparejamiento indulgente.

Resumen Técnico: Un Enfoque Simple para el Reconocimiento de Huellas de Nudillos de los Dedos Basado en un Filtro de Sobel y Medidas de Similitud

Enunciado del Problema
Los sistemas biométricos se utilizan ampliamente para la seguridad y el reconocimiento individual, pero a menudo sufren defectos debido a la naturaleza discreta de los datos muestreados, lo cual puede suprimir la calidad del reconocimiento. Aunque existen diversas metodologías para el reconocimiento de huellas de nudillos de los dedos (FKP), muchas son computacionalmente complejas y consumen mucho tiempo. El objetivo de este trabajo es proponer una metodología novedosa, simple y robusta para el reconocimiento de FKP que se base en principios fundamentales de visión por computadora para lograr un procesamiento y almacenamiento eficientes sin sacrificar el potencial de un reconocimiento fiable.

Metodología
El enfoque propuesto utiliza el conjunto de datos de Huellas de Nudillos de los Dedos (FKP) proporcionado por Zhang et al., que contiene imágenes de 147 voluntarios. La metodología sigue una canalización simplificada que consta de preprocesamiento, extracción de la región de interés (ROI) y comparación de similitud:

Detección de Bordes mediante Filtros de Sobel Adaptados:
En lugar de una detección de bordes estándar, los autores aplican dos adaptaciones distintas del operador de Sobel a las imágenes de entrada:
- Sobel de Sombra: Detecta valles llenos de sombras.
- Sobel de Luz: Detecta valles que están iluminados.
  Estos filtros utilizan parámetros específicos de umbral ( $t$ ) y distancia ( $d$ ) para generar imágenes binarias. Los autores evaluaron fusionar estas dos imágenes, pero rechazaron el enfoque debido al aumento significativo del ruido y la pérdida de información.
Reducción de Ruido:
Las imágenes binarias generadas por los filtros de Sobel contienen ruido inherente. Para abordarlo, se aplica un algoritmo de reducción de ruido "similar al desenfoque de caja". Este algoritmo evalúa un vecindario cuadrado alrededor de cada píxel; si el vecindario contiene al menos un número umbral de píxeles "pintados", el píxel central se conserva. De lo contrario, se borra. Este proceso se aplica iterativamente con tamaños de vecindario decrecientes para eliminar píxeles de ruido aislados mientras se preservan las líneas estructurales de los nudillos de los dedos.
Extracción de ROI:
Tras el preprocesamiento, se extrae una Región de Interés (ROI) de 220 x 110 píxeles desde el centro del área del nudillo. Este paso puede realizarse antes o después del preprocesamiento, aunque los autores lo realizaron después. Cada dedo produce dos ROIs: una del filtro de sombra y otra del filtro de luz.
Medidas de Similitud:
Para comparar un dedo de entrada contra la base de datos, el sistema compara las ROIs de sombra y luz de la entrada con las ROIs correspondientes de todas las muestras almacenadas. Se evaluaron tres medidas de similitud:
- Distancia Absoluta Media (MA) / Distancia de Hamming: Calcula la suma de las diferencias absolutas entre los valores de los píxeles.
- Distancia de Hausdorff (HD): Mide la diferencia en el peor caso entre dos conjuntos de puntos. Los autores notaron su sensibilidad a valores atípicos, lo cual el paso de reducción de ruido busca mitigar.
- Distancia de Chamfer (CD): Calcula la distancia media entre cada punto en un conjunto y su punto más cercano en el otro, utilizando un umbral para reducir el impacto de los valores atípicos y los bordes faltantes.

Contribuciones Clave

Simplicidad y Velocidad: El artículo introduce una metodología basada en operaciones excepcionalmente rápidas (filtrado de Sobel y procesamiento de imágenes binarias) que producen matrices dispersas, haciéndolas altamente eficientes para el almacenamiento y procesamiento en sistemas de baja capacidad.
Enfoque de Doble Filtro: El uso de filtros de Sobel de Sombra y Luz separados para capturar diferentes aspectos de la textura del nudillo sin fusionarlos, evitando así la acumulación de ruido.
Evaluación Comparativa: Una evaluación sistemática de tres medidas de similitud distintas (MA, HD y CD) dentro del contexto del reconocimiento de FKP, destacando las compensaciones entre la coincidencia exacta y la tolerancia a la similitud.

Resultados
El sistema se probó en un conjunto de datos grande que involucraba a 147 voluntarios con 12 imágenes cada uno (totalizando 1763 comparaciones por candidato).

Tasas de Reconocimiento: La Distancia de Chamfer logró la tasa más alta de Verdaderos Positivos (VP) del 17.02%. En comparación, la Distancia de Hausdorff logró 2.60% y la medida de Distancia Absoluta Media logró 0.78%.
Precisión: Todos los métodos lograron tasas de precisión altas (por encima del 99.88%), aunque los autores notan que la precisión está fuertemente influenciada por el gran número de Verdaderos Negativos en el conjunto de datos.
Tiempo de Procesamiento: La medida de Distancia Absoluta Media fue la más rápida. La Distancia de Chamfer fue aproximadamente 105 veces más lenta que la medida de Distancia Absoluta Media, mientras que la Distancia de Hausdorff fue aproximadamente 223 veces más lenta.
Rendimiento por Dedo: Las tasas de reconocimiento variaron según el dedo, con el Índice Izquierdo logrando la tasa de VP más alta (30.77%) y el Índice Derecho la más baja (18.21%).
Significancia Estadística: Los autores notan que una tasa de reconocimiento aleatoria sería aproximadamente del 0.68%. Lograr un 17.02% se considera "muy expresivo" en este contexto.

Significancia y Afirmaciones
El artículo afirma que su principal significancia radica en la simplicidad y robustez del enfoque. Al restringir la metodología a técnicas básicas de visión por computadora (operadores de Sobel y procesamiento binario), el sistema está altamente optimizado para entornos de bajos recursos. Los autores enfatizan que, aunque la tasa de VP del 17.02% es modesta en comparación con algunos métodos complejos del estado del arte, se logra con una sobrecarga computacional significativamente menor.

El artículo sugiere modestamente que la tasa de reconocimiento podría mejorarse mediante:

El uso de múltiples muestras por usuario (escanear un dedo más de una vez).
Probar medidas de similitud orientadas a imágenes en escala de grises (aunque reconociendo que esto podría requerir procesos de registro más lentos).
La aplicación de algoritmos de aprendizaje automático en trabajos futuros.

Los autores concluyen que para conjuntos de datos pequeños (por ejemplo, hasta 20 usuarios), el enfoque podría potencialmente alcanzar tasas máximas de VP, y el uso de imágenes binarias permite una optimización sustancial tanto en almacenamiento como en tiempo de procesamiento.