UNIVERSIDAD MAYOR DE SAN ANDRS FACULTAD DE CIENCIAS PURAS Y NATURALES CARRERA DE INFORMTICA

TESIS DE GRADO RECONOCIMIENTO DE PATRONES DE IMPRESIONES NASALES EN CANES USANDO REDES NEURONALES
PARA OPTAR AL TTULO DE LICENCIATURA EN INFORMTICA MENCIN INGENIERA DE SISTEMAS INFORMTICOS

POSTULANTE DOCENTE TUTOR

: :

Gonzalo dgar Chacn Alpaz Lic. Mario Loayza Molina M. Sc. Lic. Lucio Torrico Daz

DOCENTE REVISOR :

LA PAZ BOLIVIA 2010

Mrame a los ojos, est bien si tienes miedo. Yo tambin lo tengo. Pero tenemos miedo por diferentes razones. Yo tengo miedo de lo que no me convertir y t tienes miedo de lo que podra convertirme. Mrame, no voy a dejarme a mi mismo acabar donde empec. No voy a dejarme a mi mismo terminar donde me inici. Yo se lo que hay dentro de m incluso si tu no lo puedes ver an. Mrame a los ojos, yo tengo algo ms importante que el valor, tengo paciencia. Yo me convertir en lo que s que soy.

Traduccin del monlogo Look me in the Eyes (Mrame a los Ojos) de Michael Jordan

AGRADECIMIENTOS

Agradezco en primer lugar a mis padres Ral y Norah por todo el apoyo brindado durante todo este tiempo, es gracias a ellos que tuve la dicha de terminar mis estudios. Tambin agradezco a la Carrera de Informtica de la Universidad Mayor de San Andrs por la formacin brindada a mi persona durante estos aos, en especial a sus docentes, quienes me impartieron sus conocimientos y vivencias. Gracias a los conocimientos adquiridos en esta Carrera este trabajo pudo ser llevado a cabo. Un agradecimiento especial al Lic. Mario Loayza, por su apoyo, comprensin y disponibilidad como Docente Tutor a lo largo de la elaboracin y culminacin de la presente Tesis. A mi Docente Revisor el Lic. Lucio Torrico, por el seguimiento, motivacin, recomendaciones oportunas y especialmente por el tiempo dedicado y paciencia para revisar el presente trabajo adems por haberme iniciado en el fascinante mundo de la Inteligencia Artificial. A mis amigos Gary y Mara Luisa por su apoyo y ayuda al momento de recabar informacin y conseguir los materiales necesarios. Tambin le doy las gracias a todas las personas que me permitieron incluir a sus mascotas en el sistema: amigos, conocidos, conocidos de conocidos y todas las personas que lo hicieron sin conocerme y que prefirieron no dar sus nombres. Finalmente no puede faltar un agradecimiento a todos los canes que entraron al sistema, ya que sin ellos este trabajo simplemente no existira.

e-mail: gonzalo_chacon_alipaz@hotmail.com ii

RESUMEN
Las Redes Neuronales Artificiales son un paradigma de la Inteligencia Artificial que trata de simular una Red Neuronal Biolgica; este paradigma est inspirado en la forma cmo funciona el sistema nervioso de los seres humanos y animales. Las RNA estn formadas por neuronas, las cuales estn agrupadas en capas las cuales de acuerdo a la funcin que desempean pueden ser de entrada, salida u ocultas. A lo largo de la historia ha habido diversos usos para las RNA, uno de los ms importantes es el reconocimiento de patrones. El reconocimiento de los rasgos fsicos de los seres humanos se denomina biometra; sin embargo no existen antecedentes slidos de un estudio donde el reconocimiento sea aplicado a canes. Actualmente en nuestra sociedad no existe ningn tipo de registro de canes, algunos problemas acarreados por esta carencia es el abandono indiscriminado de estos animales y el extravi, captura y posterior eliminacin de aquellos que incluso tengan dueos debido a la falta de un mtodo de identificacin. Este trabajo nace de la idea de que todas las narices caninas tienen patrones nicos de igual manera a que los humanos tienen huellas dactilares nicas. Es en base a esto que se realizar un prototipo (software) el cual ser capaz de identificar a un can tomando como huella los patrones nasales extrados de una fotografa del animal el cual previamente ser registrado en una base de datos. El prototipo elaborado se encargar de identificar las muestras previamente procesadas mediante el uso de una RNA, la cual tendr la capacidad de aprender a reconocerlas conforme se vayan ingresando nuevos registros en la base de datos. Al final del trabajo se evaluar el desempeo del prototipo de software realizando varias pruebas y comparando el resultado obtenido con el resultado esperado.

iii

NDICE
Pgina CAPTULO I INTRODUCCIN ................................................ 1 1.1 ANTECEDENTES.............................................................................. 2 1.2 EL PLANTEAMIENTO DEL PROBLEMA... 3 1.2.1 Planteamiento del problema.. 3 1.2.2 Formulacin del problema.. 4 1.2.3 Sistematizacin del problema.. 4 1.3 OBJETIVOS..... 4 1.3.1 Objetivo general. 4 1.3.2 Objetivos especficos. 5 1.4 JUSTIFICACIN..5 1.4.1 Justificacin Terica 5 1.4.2 Justificacin Prctica5 1.4.2 Justificacin Cientfica.. 6 1.4.3 Justificacin Social 6 1.5 HIPTESIS.... 6

CAPTULO II MARCO DE REFERENCIA..... 7 2.1 REDES NEURONALES ARTIFICIALES...... 7 2.1.1 Introduccin... 7 2.1.2 Redes Neuronales Biolgicas.... 8 2.1.3 Definicin 10 2.1.4 Caractersticas generales 10 2.1.5 Funcionamiento... 11 2.1.6 Tipos de entrenamiento... 12 2.1.6.1 Entrenamiento supervisado... 12 iv

2.1.6.1 Entrenamiento no supervisado.13 2.1.7 Validacin 14 2.1.8 Estructura 14 2.1.8.1 La neurona 15 2.1.8.2 Capas de neuronas 17 2.1.9 Reconocimiento de patrones 20 2.1.9.1 Auto-asociacin 20 2.1.10 Clculo del error 21 2.1.10.1 Clculo del error en un entrenamiento supervisado 21 2.1.10.2 Clculo del error en un entrenamiento no supervisado... 22 2.1.11 Tipos de redes.... 23 2.1.11.1 Percetrn..... 23 2.1.11.2 Backpropagation. 25 2.1.11.3 Modelo Hopfield. 26 2.1.11.4 Modelo Kohonen 27 2.1.12 Diseo y programacin de una RNA. 29 2.1.13 Algoritmo de entrenamiento.. 30 2.2 EL PROCESO UNIFICADO DE DESARROLLO DE SOFTWARE.. 33 2.3 EL LENGUAJE UNIFICADO DE MODELADO. 36 2.3.1 Elementos... 37 2.3.2 Relaciones.... 39 2.3.3 Diagramas 40

CAPTULO III PROCESAMIENTO DE IMGENES...45 3.1 DESCRIPCIN GENERAL 45 3.2 ADQUISICIN DE LA IMAGEN 46 3.2.1 Imgenes de Intensidad... 46 3.2.2 Imgenes de Color..... 47 3.3 TRATAMIENTO DE IMGENES..... 48 3.3.1 Extraccin de caractersticas.. 48 v

3.3.1.1 Deteccin de bordes...... 48 3.3.2 Binarizacin..... 50 3.4 INTERPRETACIN DE LA IMAGEN COMO DGITOS BINARIOS.. 51

CAPTULO IV FUNCIONAMIENTO DE LA RED DE KOHONEN.53 4.1 DEFINICIN DE LA RED NEURONAL DE KOHONEN... 53 4.2 COMO CONOCE UNA RED DE KOHONEN. 53 4.2.1 Estructura de una red neuronal de Kohonen... 53 4.2.2 Normalizacin de la entrada.... 55 4.2.3 Clculo de la salida de cada neurona.... 56 4.2.4 Mapeo a bipolar..... 56 4.2.5 Escogiendo al ganador..... 57 4.2.6 Aprendizaje de una red de Kohonen..... 57 4.2.7 Tasa de aprendizaje... 59 4.2.8 Ajuste de los pesos.... 59 4.2.9 Clculo el error.... 61 4.3 IMPLEMENTACION DE LA RED NEURONAL DE KOHONEN.. 61

CAPTULO V DISEO DEL SOFTWARE.62 5.1 DESCRIPCIN GENERAL.... 62 5.2 DEFINICIN DE LA HUELLA USADA. 65 5.3 PROCESAMIENTO PREVIO.... 66 5.4 DISEO DEL PROTOTIPO 72 5.4.1 Diagrama de Casos de Uso.. 72 5.4.2 Diagrama de Clases..... 73 5.4.3 Diagrama de Actividades.. 79 5.4.4 Diagramas de Secuencia.. 80 5.4.5 Diagrama Entidad-Relacin.... 81 5.5 VENTANA PRINCIPAL DEL PROTOTIPO... 82 vi

5.6 BINARIZACIN DE LA HUELLA. 83 5.7 REGISTRO DE UN CAN EN LA BASE DE DATOS.... 87 5.8 BSQUEDA DE UN CAN.... 89 5.9 RECONOCIMIENTO DE UN CAN..... 91 5.9.1 Creacin de la red neuronal. 92 5.9.2 Entrenamiento de red neuronal... 94 5.9.3 Reconocimiento de la muestra... 94

CAPTULO VI EVALUACIN DEL PROTOTIPO. 96 6.1 DETERMINACIN DE LOS CASOS DE PRUEBA....... 98 6.2 EVALUACIN DE LOS CASOS DE PRUEBA.... 97 6.3 EVALUACIN DE LOS RESULTADOS98 6.3.1 Definicin las hiptesis H0 y H1.. 98 6.3.2 Determinacin de la regin critica. 98 6.3.3 Clculo del estadstico de la prueba 99 6.3.4 Toma de decisin. 100 6.3.5 Conclusin. 100

CAPTULO VII CONCLUSIONES Y RECOMENDACIONES. 101 7.1 CONCLUSIONES.... 101 7.2 RECOMENDACIONES...... 103

GLOSARIO.... 104

BIBLIOGRAFA... 106

ANEXOS. 107 ANEXO 1 FUNCIONES DE ACTIVACIN MS COMUNES. 108 ANEXO 2 DETERMINACIN DE LA NEURONA GANADORA 109 vii

ANEXO 3 HILOS EN EL MTODO DE ENTRENAMIENTO.. 112 ANEXO 4 CONSULTAS A LA BASE DE DATOS MEDIANTE SQL.. 113 ANEXO 5 TABLA DE RESULTADOS DE LAS PRUEBAS..... 116 ANEXO 6 PRUEBAS DE HIPTESIS ESTADSTICAS.... 117 ANEXO 7 SELECCIN DE UN REA REDUCIDA DE ESTUDIO..... 122 ANEXO 8 CARNET DE REGISTRO DE UN CAN..... 123

viii

NDICE DE FIGURAS
Pgina

Figura 2.1: Estructura de una neurona biolgica.8 Figura 2.2: Seal digital..9 Figura 2.3: Salida de una neurona...9 Figura 2.4: Tres neuronas (y1, yi, yn) conectadas a otra (aj) ...12 Figura 2.5: Grfica de la funcin TANH..16 Figura 2.6: Red neuronal con una capa oculta..17 Figura 2.7: Grfica de la funcin sigmoidal..18 Figura 2.8: Grfica de la tangente hiperblica..19 Figura 2.9: Patrn reconocido por la red neuronal20 Figura 2.10: Reconocimiento fallido.21 Figura 2.11: Modelo de un Perceptrn24 Figura 2.12: Modelo de una red tipo Backpropagation.26 Figura 2.13: Modelo de Hopfield..27 Figura 2.14: Modelo de red neuronal Kohonen28 Figura 2.15: Ejemplo de uso de la regla de Hebb.32 Figura 2.16: Ciclo de desarrollo del RUP.34 Figura 2.17: Diagramas de UML categorizados jerrquicamente.41 Figura 3.1: Binarizacin de una huella..51 Figura 3.2: Imagen de 7x5 pxeles convertida en valores binarios 1s y 0s52 Figura 4.1: Estructura de una red de Kohonen..54 Figura 4.2: Diagrama de flujo que especifica el aprendizaje de una red de Kohonen58 Figura 5.1: Lector biomtrico para las huellas dactilares62 Figura 5.2: Posicin y distancia ideales para sacar una buena foto de la nariz del can... 63 Figura 5.3: Fotografa no apta para procesamiento...64 Figura 5.4: Cmara Sony Cybershot de 10.1 mega pxeles usada64

ix

Figura 5.5: Puntos caractersticos de una huella digital65 Figura 5.6: Fotografa tomada originalmente y huella extrada66 Figura 5.7: Ventana principal de Photoshop 7.067 Figura 5.8: Transformacin libre de una imagen68 Figura 5.9: Foto ajustada el formato preestablecido68 Figura 5.10: Aplicacin del filtro de bordes aadidos69 Figura 5.11: Bordes extrados de la fotografa..70 Figura 5.12: Seleccin del rea de estudio70 Figura 5.13: Huella de la nariz del can lista para ser procesada por el prototipo.71 Figura 5.14: Guardado de la imagen JPG.71 Figura 5.15: Modelo de casos de uso del prototipo72 Figura 5.16: Diagrama de clases del prototipo..73 Figura 5.17: La clase BinarizarImagen.74 Figura 5.18: La clase FormCan.75 Figura 5.19: La clase ReconocerImagen76 Figura 5.20: Las clases CanInfo y CanDAO.77 Figura 5.21: Las clases Red, RedKohonen y SetEntrenamiento78 Figura 5.22: Diagrama de actividades...79 Figura 5.23: Diagrama de secuencia para el proceso de binarizacin80 Figura 5.24: Diagrama de secuencia para el proceso de registro81 Figura 5.25: Diagrama Entidad-Relacin de la base de datos82 Figura 5.26: Ventana principal del prototipo83 Figura 5.27: Muestra de la binarizacin un sector de una huella83 Figura 5.28: Ventana principal del mdulo de binarizacin.84 Figura 5.29: Imagen de la huella mostrada en el primer panel.84 Figura 5.30: Huella binarizada mostrada en el segundo panel..85 Figura 5.31: Botones usados para especificar el destino y guardar el archivo TXT86 Figura 5.32: Archivo TXT resultante de la binarizacin de una huella86 Figura 5.33: Ventana principal del mdulo de registro.87 Figura 5.34: Opciones para elegir edad aproximada o fecha de nacimiento.87 Figura 5.35: Fotografa del can mostrada en el primer panel88 x

Figura 5.36: Nariz del can mostrada en el segundo panel.88 Figura 5.37: Registro aadido en la base de datos89 Figura 5.38: Ventana principal del mdulo de bsqueda89 Figura 5.39: Campo de texto para escribir el nombre a buscar y botn de bsqueda90 Figura 5.40: Despliegue del resultado de una bsqueda90 Figura 5.41: Ventana principal del mdulo de reconocimiento91 Figura 5.42: Huella previamente binarizada mostrada en el panel principal92 Figura 5.43: Botones para creacin de la red, entrenamiento y reconocimiento92 Figura 5.44: Dimensiones de una huella previamente binarizada.93 Figura 5.45: Mensaje que indica la creacin de la red de Kohonen..93 Figura 5.46: Mensaje que indica el fin del entrenamiento de la red de Kohonen.94 Figura 5.47: Despliegue del resultado del reconocimiento...95 Figura 6.1: Regin critica para la hiptesis...98 Figura 6.2: Distribucin de zc y z0 en el grfico para la toma de decisin..100 Figura A.1: Diagrama del ejemplo de red neuronal109 Figura A.2: Cuadro de decisin...117 Figura A.3: Regin critica y regin de aceptacin118 Figura A.4: Tipos de grfica segn la hiptesis..118 Figura A.5: Regin reducida de la huella para ahorrar recursos122 Figura A.6: Medidas geomtricas de la huella....122 Figura A.7: Vista frontal del carnet de registro del can. 123

xi