Biometría

Esta asignatura ofrece unha visión xeral das técnicas de identificación biométrica baseadas en imaxe e vídeo.
Aborda polo miudo as más habituais: recoñecemento facial, pegada e iris.

Os estudantes comprenderían as características comúns das técnicas de identificación biométrica, a forma de avaliar prestacións, os problemas de implementación práctica, as particularidades de cada modalidade biométrica e a forma de combinalas. Ademais desenvolverían unha análise crítica sobre o mellor punto de traballo para unha aplicación concreta, así como ha ter en conta as particularidades debidas a factores demográficos (sexo, idade, raza, cultura) no deseño, desenvolvemento, avaliación e despregamento dunha solución de identificación biométrica.

-Principios básicos da identificación biométrica:
Identidade versus trazos biométricos: Tipos de trazos e firmas biométricas.
Varianza intra-clase e inter-clase das firmas biometricas. Influencia dos sensores nas diferentes firmas.
Modelado matemático dos datos biométricos: Extracción de características. Compresión. Representación versus Discriminación.
Recoñecemento, Identificación, Verificación e Autenticación. Tipos de erros: TER, ERR, FAR, FRR.

-Tecnoloxías biométricas actuais:
Características fisiolóxicas: pegadas, iris, cara, palma, retina, voz.
Características apresas: firma (estática e dinámica), pulsaciones de teclado.
Detección de mostra viva.
Pros e contras no uso de cada trazo biométrico.

-Recoñecemento facial:
Técnicas globais (eigenfaces, fisherfaces) versus técnicas locais (template matching, NCC, Elastic Bunch Graph Matching). O problema da variación de iluminación e pouse. O problema da detección e normalización.
Técnicas de aprendizaxe profunda. Pros e contras.

-Recoñecemento de impresións dixitais:
Representación de minucias. Distancia de Hausdorff. Filtros de Gabor.
Tolerancia a deformacións. Tipos de sensores.

-Recoñecemento de iris:
Representación do iris. Algoritmo de Daugman. Algoritmo de Wildes.
Recoñecemento a distancia. Pros e contras do recoñecemento de iris.

-Recoñecemento multimodal. Multibiometría:
Combinación de clasificadores. Fontes independentes ou correladas Fusión de clasificadores: intramodal, extramodal, algorítmica e de scores.
Sistemas estado da arte con recoñecemento multimodal e/ou multibiométrico.

Bibliografía Básica:
Gran parte do material de estudo baséase en artigos científicos que se porán a disposición dos estudantes na plataforma de tele-ensino.

Bibliografía Complementaria
Wayman, J.L., Jain, A.K., Maltoni, D., Maio, D. (Eds.), Biometric systems. Technology, Design and Performance
Evaluation, 978-1-84628-064-1, 1, Springer, 2005
Anil Jain, Ruud Bolle y Sarta Pankanti (Eds.), Biometrics. Personal Identification in Networked Society,
978-0-387-28539-9, 1, Kluwer Academic Publishers, 2006
John Daugman, How iris recognition works, IEEE Transactions on Circuits and Systems for Vide, 2004

CB8: Que os estudantes sexan capaces de integrar coñecementos e afrontar a complexidade de formular xuízos baseados en información que, sendo incompleta ou limitada, inclúe reflexións sobre as responsabilidades sociais e éticas relacionadas coa aplicación dos seus coñecementos e xuízos.

CT1. Exerce a profesión cunha conciencia clara da súa dimensión humana, económica, legal e ética e cun claro compromiso coa calidade e a mellora continua.
CT4 - Capacidade para comprender o significado e aplicación da perspectiva de xénero nos distintos ámbitos de coñecemento e na práctica profesional co obxectivo de alcanzar unha sociedade máis xusta e igualitaria

CG4. Capacidade de análise crítica e avaliación rigorosa de tecnoloxías e metodoloxía.
CG7. Capacidade de aprendizaxe autónoma para a especialización nun ou máis campos de estudo.

CE2: Coñecer e aplicar técnicas de aprendizaxe automática e recoñecemento de patróns aplicados á visión da computadora.
CE4. Concibir, desenvolver e avaliar sistemas complexos de visión informática.
CE5: Analizar e aplicar métodos de última xeración na visión da computadora.

Prácticas de laboratorio:
Prácticas dos conceptos mostrados nas clases maxistrais. Realizaranse con software accesible a todos os alumnos. Aprendizaxe baseada na resolución de casos prácticos e en pequenos proxectos.
O traballo será en xeral autónomo e con estudo independente do alumnado. Algunhas prácticas faranse en grupo e mediante aprendizaxe cooperativa. Farase uso intensivo da aula virtual.
Durante a parte presencial das prácticas de laboratorio farase unha atención individualizada para resolver dúbidas e axudar nos avances. Durante a parte non presencial farase un uso extensivo das plataformas de tele-ensino e os foros de debate.


Lección maxistral:
Leccións maxistrais participativas onde se expoñen os contidos e avánzanse os pros e contras que terán diferentes opcións para resolver casos reais, deixando algunhas incógnitas para que os estudantes trabállenas e cheguen ás súas propias conclusións.
Durante a parte presencial das prácticas de laboratorio farase unha atención individualizada para resolver dúbidas e axudar nos avances. Durante a parte non presencial farase un uso extensivo das plataformas de tele-ensino e os foros de debate.

Exame de preguntas obxectivas (15):
Exame de preguntas curtas sobre os conceptos estudados e de avaliación individualizada.
Competencias Avaliadas:

Resolución de problemas e/ou exercicios (15):
Exame de problemas curtos sobre os conceptos e prácticas realizadas e de avaliación individualizada.
Competencias Avaliadas:
CB3 CG4 CE4

Práctica de laboratorio (70):
As prácticas de laboratorio terán unha parte avaliable de forma individualizada ou en grupos en función do tipo de práctica.
Competencias Avaliadas:
CB3 CG4 CE2 CT4
CG7 CE4

O tempo de estudo medio recomendable é de 2 horas semanais. Adicionalmente, deberá contarse o tempo dedicado á realización de traballos de prácticos que estimamos en 3 h./semana máis. En total suman arredor de 60h/semestre.

Materias que se recomenda cursar simultáneamente
Aprendizaxe automático avanzado para visión por computador/V05M185V01205
Procesado e análise de image avanzados/V05M185V01201

Materias que se recomenda ter cursado previamente
Descripción e modelado de image/V05M185V01102
Fundamentos de aprendizaxe automático para visión por computador/V05M185V01103
Fundamentos de procesado e análise de image/V05M185V01101