Clasificación de género usando imágenes perioculares de iris mediante técnicas de deep learning

Tesis (Magíster en Ciencias de la Computación)La biometría se preocupa de estudiar la identificación de individuos a través de patrones únicos de cada persona, siendo la biometría de iris la de mayor crecimiento en los últimos años. Actualmente se busca extraer información complementaria que ayude a mejorar la identificación de las personas en diferentes ambientes, lo cual ha generado el crecimiento de una nueva área de investigación denominada biometría suave (“Softbiometrics” , en inglés). La biometría suave se centra en la obtención de características demográficas de cada individuo tales como la edad, etnicidad, género, entre otras. Dentro de la biometría suave, la clasificación de género se presenta como un problema de dos clases, donde un individuo puede clasificarse como perteneciente al género masculino o femenino entregando una información que, por si sola no permite identificar a una persona. Esta información es utilizada como complemento por los sistemas de reconocimiento e identificación y puede ser aplicada en otros ámbitos como por ejemplo, en el acceso a áreas restringidas por género o para publicidad dirigida a personas del género masculino o femenino, además de transacciones bancarias usando el celular o identificación en el área forense. En los últimos años, diversos trabajos han intentado encontrar los mejores métodos manuales de extracción de características que entreguen la información de género masculino y femenino a través del procesamiento de imágenes de iris en espectro infrarrojo. Estas imágenes han demostrado entregar uno de los tipos de información mas confiables al momento de identificar individuos por más de una década, llevando a estudiar también la capacidad de entregar información para la identificación y clasificación de género de patrones que rodean la zona del iris, utilizando la área conocida como zona periocular. Los trabajos realizados con este tipo de métodos de extracción manual de características, si bien, han demostrado entregar resultados pertenecientes al estado del arte, no son capaces de identificar las áreas relevantes del ojo necesarias para lograr la clasificación automática. El uso de métodos de extracción automática de características con Redes Neuronales de aprendizaje profundo, se presentan como solución a este problema, siendo un método nuevo de estudio con el uso de imágenes de iris en espectro infrarrojo. En esta tesis se presenta el análisis, estudio y desarrollo de un sistema de clasificación de género con métodos de extracción automática de características usando imágenes perioculares de iris en espectro infrarrojo. Uno de los mayores desafíos para resolver este problema es la falta de base de datos dedicadas a la biometría suave, debido que hay disponibles pocas bases de datos que manejan este tipo de información (género). Se propone resolver este problema usando técnicas de aprendizaje profundo en conjunto con la generación automática de nuevos ejemplos (Data-augmentation, del inglés) además del uso de modelos pre-entrenados con la técnicas de “Transferencia de aprendizaje” (“Transfer-learning”, en Inglés) usando las variantes de “Bottleneck” y“Fine-Tuning”. El análisis de los resultados obtenidos en cada prueba de clasificación dentro de esta tesis fue realizado considerando los resultados de la tasa de clasificación (Accuracy, en Inglés) obtenida por cada modelo generado junto a sus parámetros de entrenamiento. Se determinó la zona o área de las características asociadas al género más relevantes para cada modelo. Estableciendo conclusiones en base a los mejores resultados obtenidos, y las tendencias que se lograron observar en cada una de las pruebas