Marco de trabajo de rasgos biométricos en queiloscopía mediante el uso de machine learning

Abstract

La Queiloscopía es el estudio de las impresiones labiales que se producen a través del análisis de las líneas, fisuras, arrugas y estrías presentes en el labio. “Queilos” proviene del griego que significa labio y “scopia” examinar. Según Cardoso [3], fue el antropólogo R. Fischer el pionero en esta área. Éste describió los surcos en 1902, pero no fue hasta 1932 que Edmond Locard, reconocido criminalista francés, recomendó su uso para la identificación. No obstante, tuvieron que pasar veintiocho años para que en 1950 LeMonyne Snyder los utilice en un caso real. Aunque la Queiloscopía es un campo relativamente nuevo entre la gran cantidad de herramientas de identificación disponible para expertos forenses, de ésta se obtiene información sumamente útil como la identidad de una persona. Esto se debe a que permanecen relativamente estables y muestran diferencias en cuanto al género La Queiloscopía es un procedimiento manual donde se utilizan herramientas como lupas y escalas para analizar las huellas labiales. Esto lo convierte en una metodología propensa a errores humanos Para evitar esto y automatizarla, se precisa de un algoritmo. Por otro lado, Machine Learning (ML) es un subcampo de la Inteligencia Artificial (IA). Esta última se define como la inteligencia exhibida por una entidad artificial para resolver problemas complejos. Tal sistema generalmente supone ser una computadora o máquina . Dicho de otra forma, se puede decir que la IA es la habilidad que tiene dicha entidad de utilizar algoritmos para aprender de los datos y usar este conocimiento para tomar decisiones como lo haría un ser humano. A diferencia de este último, las máquinas que cuentan con IA corren con la ventaja de no precisar de descansos, analizar enormes cantidades de datos de forma simultánea y contar con una baja tasa de error . Si bien la IA y ML han estado presentes desde hace mucho tiempo, es solamente ahora que se cuenta con el poder computacional para efectivamente desarrollar Redes Neuronales Artificiales (RNA) lo suficientemente poderosas en un lapso de tiempo razonable . En el campo de la biometría, ML resalta por su capacidad de aumentar la precisión en el proceso de identificación. Las características biométricas tomadas en primera instancia no son siempre iguales a las tomadas una segunda vez. En consecuencia, el uso de técnicas de aprendizaje automático como neuronales, lógica difusa, informática evolutiva, etc., ha incrementado su demanda. En este contexto, el objetivo del proyecto es definir un marco de trabajo, utilizando ML, para determinar rasgos biométricos suaves de una persona, como el sexo y edad, a través de sus impresiones labiales.