Video Experimental Relacionado
Updated: Jan 8, 2026
08:15
Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
Published on: March 28, 2025
1.1K
Autenticación robusta de huellas dactilares sin contacto mediante optimización de delfines e hibridación SVM
Jenisha Rachel1, Ezhilmaran Devarasan1
1Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology, Vellore, Tamilnadu, India.
Frontiers in big data
|December 22, 2025
Resumen
Este estudio presenta un sistema de reconocimiento de huellas dactilares sin contacto que utiliza el Algoritmo de Optimización de Delfines (DOA) y la Máquina de Vectores de Soporte (SVM). El modelo híbrido NCM-DOA-SVM logró una precisión del 98,00 %, mejorando la seguridad biométrica y la higiene.
Área de la Ciencia:
- Biometría y Reconocimiento de Patrones
- Inteligencia Artificial y Aprendizaje Automático
- Visión por Computadora
Sus antecedentes:
- El reconocimiento de huellas dactilares sin contacto (CLFP) ofrece una mayor higiene y comodidad que los sistemas tradicionales basados en el tacto.
- Los sistemas CLFP existentes requieren una optimización y clasificación robustas para mejorar la seguridad.
- Los algoritmos inspirados en la naturaleza presentan potencial para tareas de optimización complejas en el reconocimiento biométrico.
Objetivo del estudio:
- Desarrollar y evaluar un novedoso sistema de reconocimiento de huellas dactilares sin contacto.
- Mejorar la selección de características y la precisión de la clasificación en el reconocimiento CLFP.
- Investigar la eficacia de los modelos híbridos que combinan algoritmos de optimización con clasificadores.
Principales métodos:
- Se utilizó el Algoritmo de Optimización de Delfines (DOA) para la selección y optimización de características.
- Se empleó el método del Histograma de Gradientes Orientados (HOG) para la reducción de características de imágenes.
- Se desarrollaron modelos híbridos: DOA-SVM, FCM-DOA-SVM y NCM-DOA-SVM para la clasificación.
Principales resultados:
- El modelo híbrido NCM-DOA-SVM logró una precisión superior del 98,00 % en el conjunto de datos de la Universidad Politécnica de Hong Kong.
- Progresión del rendimiento observada: DOA (91,00 %), DOA-SVM (94,07 %), FCM-DOA-SVM (96,03 %), NCM-DOA-SVM (98,00 %).
- El enfoque propuesto demostró una mayor precisión con menores requisitos computacionales en comparación con otros métodos bioinspirados.
Conclusiones:
- Los modelos híbridos que integran la optimización bioinspirada con agrupamiento avanzado (NCM) mejoran significativamente la precisión del reconocimiento CLFP.
- El enfoque NCM-DOA-SVM maneja eficazmente la incertidumbre, ofreciendo una solución prometedora para la identificación biométrica segura y eficiente.
- Esta investigación destaca el potencial de combinar técnicas de optimización, clasificación y agrupamiento para sistemas biométricos avanzados.
