Iterative Framework For Data Augmentation Of Segmented Fingerprints

Resumen Técnico: Marco Iterativo para el Aumento de Datos de Huellas Dactilares Segmentadas

Planteamiento del Problema
La biometría infantil enfrenta obstáculos significativos debido a las diferencias fisiológicas entre los lactantes y los adultos, específicamente la estructura de crestas y valles más delgada y estrechamente espaciada de los dedos de los bebés. Estas características, combinadas con la deformación frecuente durante la captura y la escasez de conjuntos de datos grandes y representativos, dificultan el desarrollo de sistemas de cotejo robustos. Si bien el Aprendizaje Profundo (Deep Learning) ofrece una vía prometedora para identificar patrones de huellas dactilares infantiles, estas redes requieren enormes cantidades de datos de entrenamiento. Las técnicas tradicionales de aumento de datos (por ejemplo, rotación, recorte, oclusión) aplicadas a imágenes en bruto a menudo no logran abordar los desafíos específicos de la segmentación de crestas infantiles o requieren grandes conjuntos iniciales para entrenar modelos generativos. Además, la adquisición de imágenes infantiles de alta calidad es costosa y difícil.

Metodología
El artículo propone un novedoso marco iterativo de aumento de datos que opera sobre huellas dactilares segmentadas (preprocesadas) en lugar de imágenes capturadas en bruto. Al centrarse en la segmentación binaria de crestas y valles, el método evita la necesidad de replicar características complejas de textura y contraste.

El mecanismo central explota los errores inherentes de una Red Neuronal Convolucional (CNN) entrenada para segmentar los valles de las huellas dactilares infantiles. El marco funciona de la siguiente manera:

1. Entrada: Se introduce una imagen de segmentación de huella dactilar en una CNN preentrenada para predecir la segmentación de los valles.
2. Superposición: La segmentación predicha por la CNN se superpone a la imagen original utilizando un parámetro de opacidad definido por el usuario ($\alpha$).
3. Iteración: Esta imagen combinada (original + superposición) se convierte en la entrada para la siguiente iteración ($i+1$).
4. Progresión: A medida que avanzan las iteraciones, la CNN procesa una imagen donde los valles están parcialmente oscurecidos o alterados por las salidas de segmentación previas. Esto induce una transformación acumulativa donde las líneas de los valles predichas se conectan, se desplazan o se extienden, alterando efectivamente el mapa de minucias pero manteniendo la estructura general de la huella dactilar.

El proceso se controla mediante dos parámetros:

• $\alpha$ (Alfa): Regula la opacidad de la superposición (0% a 100%), controlando la intensidad de la modificación.
• $n$ (Repeticiones): Determina el número de iteraciones realizadas.

Contribuciones Clave

• Aumento Centrado en la Segmentación: A diferencia de los métodos que generan huellas dactilares completamente sintéticas o aplican transformaciones geométricas a imágenes en bruto, este enfoque genera variantes manipulando los detalles estructurales (minucias) de las imágenes segmentadas.
• Diversidad Impulsada por el Error: El método utiliza intencionalmente las limitaciones y errores de las redes de segmentación para crear variaciones estructurales diversas (por ejemplo, conectar líneas, crear nuevas bifurcaciones o borrar terminaciones) a partir de una única imagen fuente.
• Variabilidad Personalizable: El marco permite a los investigadores ajustar el grado de alteración, desde cambios sutiles hasta deformaciones estructurales significativas, ajustando $\alpha$ y $n$.

Resultados Experimentales
Los autores evaluaron el método utilizando un conjunto de datos de cinco huellas dactilares infantiles de alta resolución (3200 ppi) (edades de 0 a 36 horas).

• Variación de Minucias: Los experimentos demostraron que el método altera significativamente los recuentos de minucias. Los valores altos de $\alpha$ (por ejemplo, 50%) indujeron cambios drásticos; por ejemplo, el recuento de minucias de un dedo cayó de 97 a 57 (una reducción de aproximadamente el 44%) tras 15 iteraciones, mientras que otro aumentó de 54 a 98 (un incremento de aproximadamente el 81%) en una sola iteración.
• Dinámica Estructural: Se observó que el marco crea nuevas conexiones de líneas que pueden borrar finales de línea o formar nuevas bifurcaciones. Incluso con valores bajos de $\alpha$, se observaron cambios sutiles en la ubicación y clasificación de las minucias.
• Análisis de Similitud: Utilizando el coeficiente de Dice para medir la similitud entre los segmentos originales y aumentados, el estudio encontró una disminución generalmente lineal de la similitud a medida que $\alpha$ aumentaba. Sin embargo, incluso con valores altos de $\alpha$ y un alto número de iteraciones, las imágenes aumentadas retuvieron una similitud visual con la original, lo que indica que el método genera variantes en lugar de huellas dactilares completamente artificiales e irreconocibles.

Significancia y Reivindicaciones
El artículo postula que este marco aborda el cuello de botella crítico de la escasez de datos en la biometría infantil al permitir la generación de muestras de entrenamiento diversas a partir de una única entrada. Los autores afirman que, al imitar la variabilidad observada en múltiples capturas del mismo individuo —específicamente a través de la deformación de los mapas de minucias—, el método puede facilitar el entrenamiento de redes de segmentación y cotejo más robustas.

El estudio concluye que, si bien el método expande eficazmente la variabilidad del conjunto de datos e introduce deformaciones estructurales realistas, es una herramienta para aumentar los datos existentes en lugar de reemplazar la necesidad de la recolección en el mundo real. Se propone como trabajo futuro utilizar estos conjuntos de datos aumentados para entrenar redes de cotejo y desarrollar índices de calidad específicos para evaluar las diferencias de segmentación.