Sistema de identificación de personas mediante la información holística de su escritura manuscrita

ESCUELA DE INGENIERIA DE TELECOMUNICACIÓN Y ELECTRÓNICA TRABAJO FIN DE GRADO SISTEMA DE IDENTIFICACIÓN DE PERSONAS MEDIANTE LA INFORMACIÓN HOLÍSTICA DE SU ESCRITURA MANUSCRITA Titulación: Grado en Ingeniería en Tecnologías de la Telecomunicación Autor: David Hernández Abreu Tutores: Dr. D. Carlos Manuel Travieso González Dr. D. Jesús Bernardino Alonso Hernádez Fecha: Junio de 2014 ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA TRABAJO FIN DE GRADO SISTEMA DE IDENTIFICACIÓN DE PERSONAS MEDIANTE LA INFORMACIÓN HOLÍSTICA DE SU ESCRITURA MANUSCRITA HOJA DE FIRMAS Alumno Fdo. : David Hernández Abreu Tutor Tutor Fdo. : Dr. D. Carlos Manuel Fdo. : Dr. D. Jesús Bernardino Travieso González Alonso Hernández Fecha: Junio de 2014 ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA SISTEMA DE IDENTIFICACIÓN DE PERSONAS MEDIANTE LA INFORMACIÓN HOLÍSTICA DE SU ESCRITURA MANUSCRITA HOJA DE EVALUACIÓN Calificación: ___________________________ Presidente Fdo.: Vocal Secretario/a Fdo.: Fdo.: Fecha: Junio de 2014 I ÍNDICE DE CONTENIDOS I. MEMORIA .................................................................................................. 1 CAPÍTULO I. INTRODUCCIÓN .............................................................................. 3 1.1. Definición e historia de la escritura ........................................................................ 3 1.2. La escritura en la identificación .............................................................................. 4 1.3. Grafotecnia ............................................................................................................ 5 1.4. Estado del arte ....................................................................................................... 6 1.5. Motivación.............................................................................................................. 7 1.6. Objetivos ................................................................................................................ 8 1.7. Estructura del documento ...................................................................................... 8 CAPÍTULO II. BASE DE DATOS Y PARAMETRIZACIÓN ............................... 11 2.1. Elementos Constitutivos y Estructurales de la escritura. ...................................... 11 2.2. Consideraciones de Diseño. ................................................................................ 12 2.2.1. Sistema Dependiente o Independiente del Escritor ....................................... 13 2.2.2. Sistema Online u Offline ................................................................................ 14 2.2.3. Sistema Holístico o Analítico ......................................................................... 15 2.3. Descripción de la base de datos .......................................................................... 16 2.3.2. Estructura ...................................................................................................... 16 2.4. Preprocesado de la base de datos ....................................................................... 17 2.5. Parámetro a extraer: Proporcionalidad ................................................................. 19 2.5.1. Localización de los puntos ............................................................................ 20 2.5.2. Cálculo de distancias .................................................................................... 21 2.5.3. Almacenimiento de distancias ....................................................................... 22 CAPÍTULO III. MÉTODO DE CLASIFICACIÓN ................................................ 25 3.1. Introducción a las Redes Neuronales ................................................................... 25 3.2. Descripción de una Red Neuronal ....................................................................... 26 3.3. Elementos de una Red Neuronal ......................................................................... 29 3.4. Diseño del clasificador ......................................................................................... 29 3.5. Procesos adicionales ........................................................................................... 32 3.5.1. Cálculo de distancias .................................................................................... 32 3.5.2. Almacenimiento de distancias ....................................................................... 33 II CAPÍTULO IV. FASE EXPERIMENTAL ............................................................. 37 4.1.Metodología experimental .................................................................................... 37 4.2.Resultados de palabras analizadas de forma individual ....................................... 38 4.3.Resultados de la fusión de varias palabras .......................................................... 42 4.3.1. Fusión de 2 palabras .................................................................................... 42 4.3.2. Fusión de 8 palabras .................................................................................... 45 4.3.3. Fusión de 15 palabras .................................................................................. 46 4.4.Resultados de la fusión con otros parámetros ...................................................... 49 4.5.Discusión .............................................................................................................. 51 CAPÍTULO V. CONCLUSIONES Y LÍNEAS FUTURAS .................................... 55 5.1.Conclusiones ........................................................................................................ 55 5.2.Líneas futuras ....................................................................................................... 56 ANEXOS ................................................................................................................... 59 Anexo I ....................................................................................................................... 59 Anexo II ...................................................................................................................... 61 BIBLIOGRAFÍA ...................................................................................................... 63 II. PLIEGO DE CONDICIONES ................................................. 65 III. PRESUPUESTO ............................................................................... 69 III ÍNDICE DE FIGURAS Figura 1-1. Tareas a realizar para el cumplimiento de los objetivos. ............................. 8 Figura 2-1. Esquema básico de desarrollo. ................................................................. 13 Figura 2-2. Clasificación de los sistemas Offline ......................................................... 15 Figura 2-3. Estructura de la base de datos. ................................................................ 17 Figura 2-4. Imagen escala de grises y binarizada. ...................................................... 18 Figura 2-5. Esquema para la extracción de distancias.. .............................................. 20 Figura 2-6. Puntos localizados.. .................................................................................. 21 Figura 2-7. Distancias a calcular.. ............................................................................... 21 Figura 2-8. Estructura del cell de almacenamiento ..................................................... 22 Figura 3-1. Representación neurona artificial .............................................................. 27 Figura 3-2. Estructura del clasificador.. ....................................................................... 30 Figura 3-3. Diagrama del Score Fusion....................................................................... 33 Figura 3-4. PCA en el proceso de identificación.. ........................................................ 34 Figura 4-1. Procesos para obtener resultados definitivos ............................................ 38 Figura 4-2. Representación gráfica prueba 1 palabra ................................................. 40 Figura 4-3. Resultado del ajuste para una palabra ...................................................... 41 Figura 4-4. Tasa de acierto por palabra ...................................................................... 42 Figura 4-5. Representación gráfica prueba 2 palabras ................................................ 43 Figura 4-6. Resultado del ajuste para 2 palabras ........................................................ 44 Figura 4-7. Representación gráfica prueba 8 palabras ................................................ 45 Figura 4-8. Resultado del ajuste para 8 palabras ........................................................ 46 Figura 4-9. Representación gráfica prueba 15 palabras .............................................. 47 Figura 4-10. Resultado del ajuste para 15 palabras .................................................... 47 Figura 4-11. Recopilación de resultados ..................................................................... 48 Figura 4-12. Proceso para fusión de parámetros ........................................................ 50 Capítulo 1. Introducción 2 Capítulo 1. Introducción 3 Capítulo 1. Introducción En este capítulo se llevará a cabo una explicación introductoria a la escritura, su definición, su historia y además, el papel que puede jugar como elemento identificador. Se hará una introducción a la grafotecnia y al estado del arte dentro de los sistemas biométricos de identificación basados en la escritura manuscrita. Por último, se comentarán las motivaciones que llevan a la realización del estudio, así como los objetivos a conseguir, plan de trabajo llevado a cabo para cumplir los mismos y la estructura de la que dispondrá el presente documento. 1.1. Definición e historia de la escritura La palabra escritura proviene del latín scripturam, acción y efecto de escribir. La escritura es un modo que ha desarrollado el hombre para expresar ideas y pensamientos de manera escrita, principalmente sobre papel pero también sobre otros soportes de diverso tipo como la madera, la arcilla, la corteza, la tierra y en la actualidad sobre soportes digitales y tecnológicos. El acto de escribir es un fenómeno enormemente complejo, ya que en él intervienen factores fisiológicos, psicológicos, ambientales, culturales, materiales,… [1] [2]. La escritura actual es resultado de la aportación de distintas culturas a un proceso llevado a cabo a lo largo de miles de años, evolucionando ideográfica y fonéticamente. Las más antiguas formas de representación gráfica, aún no consideradas escrituras, son las pinturas rupestres que datan del año 30.000 AC aproximadamente. Más tarde surge el pictograma, que es una representación de objetos o ideas sobre roca. Éstos llevaron a dar un significado contextual a lo representado, pasando de objetos aislados a ideas con un significado ya más complejo. Capítulo 1. Introducción 4 La primera representación considerada como escritura es la cuneiforme, que toma su nombre de los dibujos en forma de cuña o triangular que la conformaban. A partir de esta, las más representativas que se puede encontrar son la escritura jeroglífica en Egipto, la del Valle del Indo y la fenicia (3000 AC), la escritura logográfica en China (1500 AC) y ya posteriormente el alfabeto griego (800 AC). Tanto las escrituras mayas como aztecas, se estiman que surgieron posteriormente, en torno al 80 y al 1500 DC respectivamente, pero debido a la destrucción que sufrieron sus códices y escrituras no se sabe con exactitud. De todas estas culturas surgieron diversas formas de comunicación escrita y distintos alfabetos permitiendo que se conozca la escritura tal y como lo hacemos hoy, permitiendo que en la actualidad los datos se transmitan perdurando más en tiempo y con mayor fiabilidad [3]. 1.2. La escritura en la identificación Todos los estudios coinciden en que la escritura es ante todo la ejecución de un gesto, y cualquier gesto es resultado de la activación de determinadas regiones cerebrales en las que se conciben y controlan los movimientos. Cualquier gesto ha de prepararse, programarse, elaborarse y controlarse con un mayor o menor grado de consciencia, y por tanto el gesto de escribir es una ejecución individual, realizada de una forma particular por cada individuo [4]. Además, como se trata de un gesto, que a diferencia de la gran mayoría queda plasmado en un plano y a su vez depende como otro cualquiera de la personalidad, tiene gran valor identificador. La identificación de personas en base a manuscritos escaneados es una técnica de aplicación tanto en el campo forense, como en el análisis de textos históricos. Hoy en día los avances y la proliferación de los ordenadores en la sociedad moderna son hechos incuestionables, pero los documentos manuscritos y el estilo personal a la hora de escribir siguen teniendo gran importancia. Debido al amplio uso de este tipo de documentos, muchos manuscritos están sujetos a posibles falsificaciones, deformaciones, o copias, generalmente para uso ilícito. Por lo tanto, certificar y juzgar la autenticidad o falsedad de documentos escritos a mano ocupan la mayor parte del tiempo de los expertos dedicados a este campo [5]. Capítulo 1. Introducción 5 1.3. Grafotecnia Como se ha expuesto anteriormente, la escritura es una marca individual. Una persona difícilmente podrá suplantar la escritura de otro individuo, quizás si a simple vista pero los rasgos que caracterizan a un escritor estarán incorporados involuntariamente en el proceso de escritura. Un análisis correcto y completo permite extraer gran cantidad de características que diferencian la escritura de una persona y otra, o de una persona consigo misma en distintas etapas de su vida. El interés que despierta la identificación de individuos a través de su forma de escribir ha dado origen a muchas disciplinas que se encargan del estudio de la misma. El primer nombre dado al estudio de la escritura fue el de Grafología, y tenía el cometido de hacer un análisis psíquico del autor, aunque actualmente ha pasado a ser una rama dentro del estudio general de la escritura, ya que los parámetros extraídos no son solamente psíquicos. Esto ha dado lugar al concepto general de Grafotecnia como disciplina general que estudia la escritura. Dentro de ésta, existen distintas ramas encargadas del estudio de los diferentes aspectos extraíbles:  Grafología: También grafo-psicología, encargada del estudio de la personalidad.  Grafotécnica: Orientada al origen o precedencia de los documentos.  Grafopatología: Pretende detectar signos que preceden alguna enfermedad.  Grafoterapia: Técnica terapéutica que tiene la finalidad de corregir la conducta y la personalidad a través de una re-educación escritural.  Grafoscopia: Trata de identificar el origen a través de un análisis de escritura y firma.  Grafometría: Agrupa las técnicas con las que se hacen mediciones a una escritura manuscrita, firma o trazo, para determinar su autenticidad, correspondencia y/o falsedad entre otros aspectos.  Documentoscopía: Estudia los documentos para determinar su autenticidad, falsedad o alteración.  Caligrafía: Encargada del estudio de la manera de hacer más vistosa la escritura. La etimología del término Grafotecnia, proviene de las raíces graphein, escribir, y tékhnee, arte, habilidad, destreza. Con ello y con los distintos campos que abarca vistos con anterioridad, se puede indicar que la Grafotecnia está relacionada con el manejo de escrituras, extendiéndose a la identificación, cotejo y determinación de falsificaciones [3]. Capítulo 1. Introducción 6 1.4. Estado del arte En los últimos años se han llevado a cabo gran cantidad de trabajos dentro del campo de la identificación de personas a través de la escritura manuscrita basándose en gran variedad de parámetros, a continuación se citarán algunos de estos trabajos y en que basan su proceso de identificación: En Writer identification using directional ink-trace width measurements [6] realizado en 2010, se lleva a cabo la identificación del individuo a partir del ancho del trazo y de la dirección del mismo. En él se demuestra que la combinación de ambos parámetros es una herramienta potente en la identificación, ya que están relacionados entre sí. Con el sistema descrito en el artículo se alcanza una eficacia de entre un 63-95 %. En el estudio realizado en 2013 denominado Texture-based descriptors for writer identification and verification [7], se abarca el tema de la identificación a partir de descriptores de texturas, utilizando un esquema de clasificación basado en la representación de disimilitudes, utilizado con éxito en sistemas de verificación. Se analizan dos bases de datos de fuentes diferentes con las cuales se obtiene un éxito de 96,7% y 99,2% respectivamente. En Writer Identification Using An Alphabet Of Contour Gradient Descriptors [8] publicado en 2013, se presenta un método para la identificación de escritores que emula las aproximaciones tomadas por los examinadores forenses de documentos. Combina una característica novedosa, que utiliza un gradiente de contorno para capturar la forma y la curvatura, con segmentación de caracteres para crear un pseudo-alfabeto para una muestra manuscrita dada. Un sistema de distancias es definido entre los elementos del alfabeto creado y recoge la similitud entre dos muestras. Esta aproximación consigue hasta un 96.5% de acierto en el mejor caso. A novel sparse model based forensic writer identification [9]. Este articulo de 2014 se basa en la representación dispersa de primitivas estructurales, denominados grafemas. La principal novedad de este sistema en comparación con otros que utilizan grafemas es la utilización de una codificación dispersa en lugar de la cuantificación vectorial, y luego los Capítulo 1. Introducción 7 grafemas son representados en términos de Fourier. En función del número de escritores a identificar la eficacia del sistema varía entre un 98% para 5 escritores y un 88% para 650. En Cálculo de Parámetros Basados en Ciencias Forenses para la Identificación de Escritores [10], PFC realizado en 2012 en la ULPGC, se realiza el estudio de la eficacia de diferentes parámetros, extraídos desde las muestras escaneadas que conforman una base de datos, y su posterior combinación. Después de dicha combinación se llega a obtener un 97.36% de éxito. Los parámetros extraídos en dicho PFC serán utilizados en el trabajo fin de grado que aquí se expone para fusionarlos con los propios, tratando así de mejorar la tasa de éxito. También cabe destacar la gran variedad de clasificadores que existe, y que son utilizados en estos y otros proyectos de identificación a través de la escritura manuscrita. Un ejemplo de éstos pueden ser los basados en la utilización de curvas ROC ((Receiver Operating Characteristic), los basados en redes neuronales, los que lo están en Máquinas de Soporte Vector (SVM) y los que utilizan modelos de Distribución Gaussiana Generalizada (GGD) entre algunos otros [3]. 1.5. Motivación Los parámetros utilizados en la identificación forense de manuscritos son muchos, y aprovechan distintas características extraíbles de la escritura. El estudio de estos parámetros típicamente ha sido realizado de forma manual, sin ningún tipo de automatización, pero esto además de un mayor tiempo a la hora de la realización de la tarea, también añade un cierto aspecto de subjetividad al análisis [11]. En este caso la principal motivación es la de desarrollar un sistema automatizado y fiable en el que sea posible realizar la identificación del individuo utilizando un único parámetro, o al menos obtener una tasa de acierto superior a lo que se ha obtenido hasta el momento en estos casos. Además, el campo de la identificación biométrica a través de manuscritos aún no está tan explotado como podría ser el caso de las huellas dactilares, el dorso y revés de la mano o el iris, siendo por tanto un campo con un desarrollo potencial. Capítulo 1. Introducción 8 1.6. Objetivos El objetivo de este trabajo es diseñar e implementar un sistema de reconocimiento automático de personas a partir de muestras escaneadas de palabras manuscritas. Para ello se desarrollará una herramienta de clasificación a partir de un parámetro denominado “proporcionalidad” o “proporcionality index”, mediante el cual se localizarán puntos característicos de algunas de las palabras disponibles en la base de datos y se determinaran las distancias entre ellos, utilizando para ello distintas técnicas de procesado de imagen. Se llevará a cabo el proceso con distintas palabras, y con ayuda del clasificador se obtendrá el porcentaje de acierto en la identificación en función del número de palabras diferentes tratadas, hasta obtener un porcentaje de acierto lo más elevado posible, y determinar cuántas palabras son necesarias para dicho índice de éxito. Obteniendo así un sistema fiable para la identificación de personas utilizando un único parámetro. Además, el sistema obtenido será compatible con otros sistemas que utilicen distintos parámetros para obtener mayor robustez y eficacia en la identificación, y así poder realizar una comparativa de resultados añadiendo el parámetro que será desarrollado en este trabajo y sin él. Para llevar a cabo la realización de los objetivos se sigue el siguiente diagrama de bloques: Figura 1-1. Tareas a realizar para el cumplimiento de los objetivos 1.7. Estructura del documento El documento se encuentra dividido en tres bloques: Memoria, Pliego de Condiciones y Presupuesto. Documentación Preprocesado de la base de datos Diseño del sistema de clasificación Comprobación y mejora Extracción de resultados Conclusiones finales Capítulo 1. Introducción 9 El bloque Memoria, consta a su vez de 5 capítulos en los que se tratan diferentes aspectos acerca del presente Trabajo Fin de Grado: Capítulo 1, Introducción. En este capítulo se inicia al lector en una breve explicación de la escritura, desde su historia hasta el valor identificativo de la misma. También se explicará qué es y en qué consiste la grafotecnia, para terminar con los objetivos y motivaciones que han llevado a la realización de este trabajo y la estructura del mismo. Capítulo 2, Base de datos y parametrización. Este capítulo comienza con una introducción teórica acerca de los elementos constitutivos y estructurales que se encuentran en la escritura. También se explica el concepto de dependiente o independiente del escritor y la diferencia entre un sistema holístico y uno analítico. Posteriormente, continúa con la descripción de la base de datos que va a ser utilizada, como se va a llevar a cabo el preprocesado de la misma, y por último la descripción del parámetro en el que se basa es estudio, que es el de proporcionalidad. Capítulo 3, Método de clasificación. En este capítulo se tratará el sistema de clasificación que va a ser utilizado en el estudio. Se explica el término de red neuronal, describiendo las mismas y los elementos por las que están compuestas. Por último se explicará cómo se ha realizado el diseño del clasificador. Además, se explican dos métodos implementados para tratar de obtener una mayor robustez en el sistema. Capítulo 4, Fase experimental. En este capítulo es en el que se extraen los resultados finales. En primer lugar se comienza obteniendo resultados para palabras de forma aislada. Posteriormente, se pasa a una combinación de varias palabras y como último punto se trata de fusionar los parámetros extraídos en este trabajo con los de otro estudio para tratar de mejorar la tasa de acierto. Capítulo 5, Conclusiones y líneas futuras. En este capítulo se evaluará cuán discriminante es el parámetro implementado en este trabajo y hasta qué punto se ha conseguido el fin por el cual Capítulo 1. Introducción 10 fue planteado, y como ha contribuido a un sistema ya existente. Finalmente, se añade un apartado con algunas pinceladas de las posibles líneas futuras de actuación que podrían complementar éste trabajo. Como parte de la memoria también se incluyen los anexos correspondientes, y la bibliografía consultada para la realización del conjunto de tareas. En el bloque referente al presupuesto se muestra el coste de realización del presente trabajo, y previamente se encuentra el pliego de condiciones. Capítulo 2. Base de Datos y Parametrización 11 Capítulo 2. Base de Datos y Parametrización Este capítulo comienza con una introducción teórica acerca de los elementos constitutivos y estructurales que se encuentran en la escritura. También se explica el concepto de dependencia o independencia del escritor, y la diferencia entre un sistema holístico y uno analítico. Posteriormente, continúa con la descripción de la base de datos que va a ser utilizada, como se va a llevar a cabo el preprocesado de la misma, y por último, la descripción del parámetro en el que se basa el estudio, que es el índice de proporcionalidad. 2.1. Elementos constitutivos y estructurales de la escritura La Grafotecnia clasifica las características de la escritura manuscrita en dos grupos: elementos constitutivos y elementos estructurales. Se definen como elementos constitutivos de la escritura, aquellos que referidos a la estructura de los signos y otros que concurren en una determinada escritura y de algún modo la condicionan. Dentro de los elementos constitutivos existen algunos con mayor valor identificativo, por no ser tan obvios a simple vista, y ser menos susceptibles de falsificación, y otros cuyo valor identificativo es menor. Los elementos constitutivos son [12]:  Trazos; que forman parte esencial de la letra y pueden ser rectos, curvos y mixtos, y a su vez magistrales o perfiles.  Rasgos; obedecen a un principio ornamental, y pueden ser iniciales, finales o enlaces.  Caja de escritura; definida por las partes superiores e inferiores de la palabra. Capítulo 2. Base de Datos y Parametrización 18 En este caso se realiza una binarización de las mismas, que consiste en que dada una imagen de entrada que puede estar en escala de grises o en color, a la salida se obtenga una imagen binaria donde los pixeles negros se corresponden con el fondo y los blancos con el primer plano o viceversa. Para llevarla a cabo es necesario definir un nivel umbral, a partir del cual se decide si uno determinado se corresponde con un “1” o un “0” en la imagen procesada. Cada píxel de la imagen es comparado con el valor umbral, si la intensidad del píxel es mayor que el valor del parámetro se fija a blanco en la salida, y si es menor a negro [14]. Esto, aplicado a las imágenes que se necesita procesar permite conseguir una distinción clara entre el fondo de la imagen y el texto que en ella hay escrito, dónde los “0” se corresponderán con el texto y los “1” con el fondo, que en este caso es el papel. Tanto el preprocesado como el resto de tareas que requieran de cualquier tipo de programación para tratar la imagen en este trabajo, se llevan a cabo utilizando el software MATLAB R2012a [15]. Para realizar el preprocesado se ha realizado un pequeño programa, con el que se cargan las imágenes correspondientes a una determinada palabra para todos los escritores y se obtiene su imagen de salida correspondiente. El nivel de umbralización se consigue de forma automática mediante la función “graythresh”, y luego solo queda aplicar a la imagen original la función “im2bw”, que es la encargada de realizar la binarización en función del umbral obtenido. El resultado de aplicar el procesado es el que se muestra en la figura siguiente: Figura 2-4. Imagen en escala de grises e imagen binarizada. El resultado de este preprocesado es a partir del cual se realizan el resto de procedimientos necesarios y que son realizados en este estudio. Por tanto, ya la imagen está preparada para que a partir de ella se extraiga el parámetro que servirá posteriormente para la identificación. Capítulo 2. Base de Datos y Parametrización 19 2.5. Parámetro a extraer: Proporcionalidad A continuación, se va a presentar el parámetro a partir del que se pretende extraer los datos necesarios para poder realizar la identificación del escritor de una forma fiable, que en este caso será el de proporcionalidad. La proporcionalidad referida a la escritura es la relación entre los diversos elementos de grafismo, por ejemplo, las alturas de las mayúsculas y letras sobresalientes con respecto a la altura media de las letras cortas, etc. Existe una proporcionalidad normal entre todos los elementos de los escritos que se atienen a preceptos caligráficos. Esta proporcionalidad es tal vez uno de los caracteres más constantes en la grafía espontánea, pues si bien el tamaño y extensión de la escritura puede variar como consecuencia del trabajo que se realiza, del fin que se persigue, del material de que se dispone y de la amplitud o exigüidad del espacio en relación con lo que se tiene que escribir, sin embargo la proporcionalidad permanece constante. Además, es uno de los elementos que fácilmente se escapa al disimulador o al imitador, más atentos a la alteración de la forma de las letras y a algún otro elemento más sobresaliente, como dimensión, dirección, inclinación, etc [12]. A partir de lo anterior se deduce que para la extracción del parámetro es necesaria la localización de puntos en la palabra, que sean comunes en todas las imágenes a comparar entre sí para determinar esa proporcionalidad. Para extraer los puntos serán utilizadas palabras en las que existen varias jambas (prolongaciones inferiores) y/o hampas (prolongaciones superiores) ya que sus extremos son puntos localizables de una manera bastante sencilla con la aplicación de algunos algoritmos. Además tanto el punto inicial y el final de la palabra, también serán tomados como puntos de interés. Una vez extraídos dichos puntos, se calculará la distancia euclídea existente entre cada uno de ellos para más tarde pasar a almacenarlos en una matriz propia de cada una de las palabras analizadas, que serán el parámetro de entrada definitivo al sistema de clasificación elegido. Esas distancias extraídas son las que se presuponen proporcionales entre ellas independientemente del tamaño de letra que utilice el escritor, por lo que son el elemento identificativo. De cada palabra se extraen cinco puntos, obteniendo por tanto diez distancias que serán las que caractericen a una palabra determinada. Por tanto, el proceso a seguir para llegar a la extracción de las distancias necesarias que se introducen como entrada en el sistema de clasificación será el siguiente: Capítulo 2. Base de Datos y Parametrización 20 Figura 2-5. Esquema para la extracción de distancias. A continuación, se desarrollan los distintos apartados que aparecen en la figura 2-4. Para ello se toma como ejemplo la palabra “perfecta”, aunque el proceso es muy similar para cualquiera de las palabras que componen la base de datos. 2.5.1. Localización de los puntos Para la localización de los puntos, se ha desarrollado un pequeño programa. Éste lo que hace es que partiendo de la imagen binaria, busca en la matriz que representa dicha imagen los valores que son 0 y que por tanto representan texto, mediante la función “find”. A partir de ahí se extraen los puntos inicial y final de la palabra, y las hampas y jambas según la palabra. En particular, en el caso de “perfecta” se extraen como puntos los siguientes:  Inicio de la palabra.  Fin de la palabra.  Jamba de la f.  Hampa de la f.  Hampa de la t. Una vez buscados los valores iguales a 0 se extraen sus posiciones, determinados según su fila y su columna, y que son almacenados en respectivos vectores. Para obtener el inicio, se busca en esos vectores de posiciones aquel punto cuya columna sea menor, con lo que se obtiene la primera columna con texto, y con su fila correspondiente ya se tiene el punto inicial. El proceso para encontrar el final de la palabra es análogo, pero buscando la columna de mayor valor. Capítulo 2. Base de Datos y Parametrización 21 El siguiente paso es encontrar la jamba, para ello se va al vector fila, y se busca la de valor mayor, lo que nos índica que es el punto con texto más cercano al borde inferior, lo que es un claro síntoma de la existencia de una jamba. Con esa fila y su correspondiente columna ya se tiene el punto a localizado. Como “perfecta” contiene dos jambas, y la que queremos detectar es la de la “f”, aplicamos una máscara a la primera parte de la palabra para descartar que pueda ser detectada la de la “p”. Y por último, se trata de encontrar las dos hampas, tanto la de la “f” como la de la “l”. Para ello se sigue el mismo proceso que para las jambas pero buscando la fila de valor menor. Así se obtiene el punto más alto de la palabra, y por tanto una hampa. Pero en este caso aún queda por detectar la segunda hampa, para lo que se aplica una máscara a una zona prudente alrededor del primer punto encontrado y se repite el proceso. Obteniendo de esta manera la segunda hampa. El resultado de la ejecución de todo el proceso descrito en este apartado es el siguiente: Figura 2-6. Puntos localizados 2.5.2. Cálculo de las distancias entre puntos Una vez están localizados los puntos, lo siguiente es realizar el cálculo de la distancia existente entre ellos. De la detección de los cinco puntos se derivan 10 posibles distancias a calcular que se muestran en la siguiente figura: Figura 2-7. Distancias a calcular Capítulo 2. Base de Datos y Parametrización 22 Para llevar a cabo el cálculo simplemente se ha realizado aplicando la fórmula de la distancia euclídea entre dos puntos: Donde x e y son las coordenadas de los puntos localizados con anterioridad. Por tanto haciendo una sencilla implementación de dicha fórmula en el software matemático se obtiene el valor de las distancias. 2.5.3. Almacenamiento de las distancias Una vez obtenidas, estas se almacenan en un vector de 10 posiciones, y habrá uno por cada repetición y al ser 10 repeticiones por escritor y teniendo 100 escritores, hacen un un total de 1000 vectores con 10 distancias cada uno para una sola palabra analizada. Para facilitar el acceso a los datos, las distancias se almacenarán en un estructura tipo cell de tamaño 100x1, donde cada fila corresponde a un escritor, y dentro de cada una de estas filas encontramos las distancias correspondientes a cada repetición. En la siguiente figura, se da una visión más ilustrativa a la estructura del cell de almacenamiento: Figura 2-8. Estructura del cell de almacenamiento La estructura utilizada ha sido la descrita en la figura 2-7 debido a que en estudios y proyectos anteriores se ha trabajado de esta forma, y con ello se garantiza que los parámetros extraídos en todos los casos sean compatibles con el sistema de clasificación Escritor 1 10x1 2 10x1 Repetición 3 10x1 1 …10x1 2 99 10x1 3 distancia 1 distancia 2 …distancia 10 100 10x1 4 5 6 7 8 9 10 Capítulo 2. Base de Datos y Parametrización 23 que vaya a ser utilizado. De manera, que posteriormente se pueda realizar la fusión entre estudios. Una vez realizados todos los procesos descritos en el apartado 2.5, ya está todo dispuesto de forma que los parámetros extraídos pueden ser introducidos en el sistema de clasificación, que será el encargado de realizar la identificación. Capítulo 2. Base de Datos y Parametrización 24 Capítulo 3. Método de clasificación 25 Capítulo 3. Método de clasificación En este capítulo se trata el sistema de clasificación que va a ser utilizado en el estudio, basado en redes neuronales. Se explica el término de red neuronal, describiendo las mismas y los diferentes elementos por las que están compuestas. Por último, se explica cómo se ha realizado el diseño del clasificador, y algunos procesos adicionales implementados para obtener mejores resultados. 3.1 Introducción a las Redes Neuronales En este trabajo el método de clasificación utilizado es el de Redes Neuronales, NN (Neuronal Network) o Redes Neuronales Artificiales (RNA). Existe en el hombre un deseo profundo de poder reproducir la habilidad cognoscitiva por medios artificiales. La fascinación que la inteligencia como materia de estudio ha suscitado al género humano, puede verse reflejada en la aparición de una rama íntegra del estudio científico llamada "Inteligencia Artificial" o también, estudio de la inteligencia. Una de las múltiples ramas por las cuales se ha desarrollado este tipo de investigación es el desarrollo de las llamadas "redes neuronales". Una red neuronal es el intento de poder realizar una simulación computacional del comportamiento de partes del cerebro humano mediante la réplica en pequeña escala de los patrones que éste desempeña para la formación de resultados a partir de los sucesos percibidos [16]. Las RNA están compuestas de un gran número elementos de procesamiento altamente interconectados, denominados neuronas, que trabajan al mismo tiempo para solucionar problemas específicos. Tal como las personas, aprenden de la experiencia. Se trata de una forma de computación que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones, etc.) [17]. Capítulo 3. Método de clasificación 26 Las redes neuronales son aplicadas en diferentes áreas del conocimiento, como en biología, medicina, economía, ingeniería, psicología, etc., obteniendo excelentes resultados respecto de los modelos estadísticos clásicos. El paralelismo de cálculo, la memoria distribuida y la adaptabilidad al entorno, han convertido a las RNA en potentes instrumentos con capacidad para aprender relaciones entre variables sin necesidad de imponer restricciones de partida en los datos [10]. Las redes neuronales han sido el método de clasificación elegido debido a varios factores, como son la relativa sencillez a la hora de la implementación del sistema y la gran capacidad de aprendizaje que presentan ante nuevos datos. 3.2. Descripción de una red neuronal El cerebro humano contiene más de 100 billones de elementos de proceso llamados neuronas, que se comunican a través de conexiones llamadas sinapsis. Cada neurona está compuesta por tres partes fundamentales: cuerpo, dendritas y axón. El cuerpo en su capa externa tiene la capacidad única de generar impulsos nerviosos. Las dendritas que son como las ramas que salen del cuerpo, poseen algunas conexiones sinápticas en donde se reciben señales que generalmente vienen de otros axones. El axón se encarga de activar o inhibir otras neuronas las cuales a su vez son activadas por cientos o miles de otras neuronas. Cada neurona artificial está conectada con el resto de neuronas de la red mediante enlaces de comunicación (conexiones, siendo su símil biológico las dendritas y el axón de la neurona explicados anteriormente) cada uno de los cuales tiene asociado un peso sináptico. En dichos pesos se encuentra el conocimiento que tiene la NN acerca de un determinado problema. Esos enlaces asociados a un peso son las entradas de cada neurona, cada una representando la salida de otra neurona, o una entrada del medio externo. Con el conjunto de entradas de la neurona se realiza una suma ponderada y se filtra este valor con una función de activación, para obtener de este modo la respuesta de la neurona a las entradas [18]. De manera gráfica una neurona artificial queda representada de la siguiente manera: Capítulo 3. Método de clasificación 27 Figura 3-1. Representación neurona artificial La distribución de neuronas dentro de la red se realiza formando niveles o capas de un número determinado de neuronas cada una. A partir de su situación dentro de la red se pueden distinguir tres tipos de capas:  De entrada, estas capas reciben la información desde el exterior.  De Salida, estas envían la información hacia el exterior  Ocultas, son capas que solo sirven para procesar información y comunicar otras Capas. Las capas a su vez, están conectadas entre sí a través de las uniones de las neuronas que las forman. Esas uniones entre capas forman distintas estructuras que principalmente son las siguientes:  Unión todos con todos, donde cada neurona de una capa se une con todas las neuronas de la otra capa. Es el tipo de conexionado más utilizado.  Unión lineal, se une cada neurona con una de la otra capa.  Predeterminado, Este tipo de conexionado aparece en redes que tienen la propiedad de agregar o eliminar neuronas de sus capas y de eliminar también conexiones. Estableciendo un orden en las capas se pueden establecer conexiones hacia delante, hacia atrás o conexiones laterales. Esto sirve para clasificar las redes en feedforward o hacia delante, que no tienen ninguna conexión hacia atrás, y feedback o hacia atrás que si permiten ese tipo de conexiones. Las conexiones laterales son conexiones entre neuronas de la misma capa, este tipo de conexión son muy comunes en las redes mono capa. Si la red admite que las neuronas tengan conexiones a sí mismas, se dice que la red es auto Capítulo 3. Método de clasificación 34 la segunda varianza más grande es el segundo eje, y así sucesivamente. De esta ordenación en las diferentes componentes subyace la ventaja fundamental del sistema, ya que el conjunto de datos que contribuye más a la varianza queda retenido en las componentes principales. La contribución a la varianza es sinónimo de cantidad de información que aportan al sistema. Por tanto esos datos almacenados en las componentes principales serán los tomados para la posterior clasificación. Por lo tanto, lo que se busca es que de entre todos los datos extraídos en la fase de parametrización, dar importancia a aquellos que de verdad aportan información y descartar aquellos que pueden disminuir la eficacia del sistema, ya que actúan como ruido en el mismo. El análisis de componentes principales es llevado a cabo después de realizar la normalización de los datos extraídos del cell de almacenamiento. En ese punto mediante la función “processpca” se aplica el análisis sobre los datos destinados como de entrenamiento para la red neuronal, y con los parámetros que devuelve la función se aplica el PCA sobre la matriz de datos que serán de test. Una vez aplicado el PCA, hay que seleccionar el número de componentes principales que van a ser utilizadas, parámetro cuyo valor óptimo, solamente se puede extraer a través de un proceso experimental comparando tasas de éxito. El diagrama de bloques a continuación, trata de ilustrar en qué punto del proceso es aplicado al análisis de componentes principales: Figura 3-4. PCA en el proceso de identificación De la aplicación de PCA, aparece un inconveniente a la hora de definir los parámetros de la red neuronal, en concreto el parámetro es el del número de neuronas en la Capítulo 3. Método de clasificación 35 capa oculta. Esto es debido a que al aplicar PCA y eligiendo un número de componentes varía el tamaño del conjunto de datos que entra en la red neuronal. Esta variación provoca que el número óptimo de neuronas de la capa oculta cambie, por lo que cada vez que se pruebe con un número distinto de componentes principales se hace necesario volver a simular con diferentes cantidades de neuronas en la capa oculta para conseguir un resultado fiable. Capítulo 3. Método de clasificación 36 Capítulo 4. Fase experimental 37 Capítulo 4. Fase experimental En este capítulo se extraen los resultados después de la aplicación el parámetro de proporcionalidad junto con los distintos métodos para obtener una mejora del sistema, explicados en el último apéndice del capítulo 3. En primer lugar, se comienza obteniendo resultados para palabras de forma aislada. Posteriormente se pasa a una combinación de varias palabras, y como último punto, se trata de fusionar los parámetros extraídos en este trabajo con los de otro estudio para tratar de mejorar la tasa de acierto final. 4.1. Metodología experimental Lo primero que se debe determinar es la combinación óptima entre el número de componentes principales que se van a utilizar y el número de neuronas de la capa oculta. Para ello, se llevan a cabo distintas pruebas donde se varían los valores presentes en dicha combinación. Para agilizar el proceso y debido a que no se busca un resultado final, sino una orientación hacia los valores adecuados a introducir en el sistema, lo que se hace es establecer como mecanismo de parada del entrenamiento un número fijo de 200 iteraciones (cantidad algo baja si se fuera a obtener un resultado final) y una configuración del Score Fusion de 5 sistemas trabajando en paralelo. El proceso de prueba se realiza sobre los datos extraídos de una sola palabra y la combinación más efectiva de componentes principales y número de neuronas de la capa oculta será aplicada al resto de palabras que se analicen. Esto se hace por la gran complejidad que supondría aplicar el proceso de pruebas a cada una de las palabras a analizar, lo que llevaría a un proceso muy extenso en el tiempo para simplemente obtener resultados orientativos. Una vez analizados los resultados de ese proceso, se observa con que combinación el resultado es mejor, y por tanto esa será la combinación definitiva que se utilizará para el experimento que dará la tasa de acierto definitiva. El número de iteraciones para este Capítulo 4. Fase experimental 38 experimento final será de 2000, 10 veces mayor que el utilizado en el proceso de prueba, y se trabajará con una configuración de 30 redes neuronales en paralelo. El experimento final será a través del que se obtenga la tasa de acierto definitiva del parámetro de proporcionalidad, tanto para palabras aisladas como para la combinación de las mismas. En el siguiente diagrama se ilustra de forma esquemática los distintos procesos a llevar a cabo en esta fase de experimentación para obtener los resultados definitivos: Figura 4-1. Procesos para obtener resultados definitivos Todo lo anterior, es totalmente dependiente del número de palabras a combinar, ya que la cantidad de datos de entrada a la red neuronal cambia cuando se aumenta el número de palabras de las que han sido extraídos. Por ello el proceso completo ha de ser repetido para las distintas combinaciones de palabras que se lleven a cabo. Para la fusión con los parámetros extraídos en otros proyectos, también se seguirá el mismo esquema, pero teniendo en cuenta que los datos deben contar con la misma estructura para poder ser implementados en la red neuronal utilizada en este estudio. 4.2. Resultados de palabras analizadas de forma individual Siguiendo el proceso descrito en el apéndice 5.1 se procede a calcular la tasa de éxito obtenida para cada una de las palabras que van a ser analizadas. De las 34 palabras de las que se dispone en la base de datos se han extraído los parámetros de 15 de ellas, que serán el número máximo de las mismas que se fusionarán en apartados posteriores. En concreto las palabras seleccionadas son: “bastante”, “Cervantes”, “edición”, “española”, Capítulo 4. Fase experimental 39 “Hidalgo”, “idealista”, “ingenioso”, “Mancha”, “necesidades”, “perfecta”, “positivista”, “publicó”, “Quijote”, “tipos” y “universal”. Las palabras se han elegido en función del número de puntos característicos que se pueden obtener de ellas y la posibilidad de adaptación al proceso de parametrización descrito en el capítulo 3 de este estudio. La gran mayoría de ellas poseen tanto hampas como jambas y los puntos inicial y final son fácilmente identificables. Una vez parametrizadas, con los datos almacenados en la matriz correspondiente y aplicado PCA, el siguiente paso ya dentro de la fase de experimentación es llevar a cabo el proceso de prueba, visto en la figura 4-1. A través del mismo, se obtienen el número de neuronas de la capa oculta y la cantidad de componentes principales que son utilizadas para extraer los resultados obtenidos por el análisis de las palabras de forma individual. Como ya se ha mencionado, para este primer proceso de aproximación se fija la parada del entrenamiento de la red neuronal en 200 iteraciones y son 5 redes trabajando en paralelo. Este proceso solamente se realiza sobre una de las 15 palabras, y los parámetros idóneos obtenidos se extrapolan al resto de redes neuronales aplicadas a las demás palabras. En este caso, y para seguir con el mismo ejemplo utilizado en palabras anteriores, se empleará la palabra “perfecta”. Para ello se construye un bucle con el que se utilizan desde 20 neuronas en la capa oculta hasta 400 neuronas, en saltos de 20. Mientras tanto, otro bucle se encarga de variar el número de componentes principales utilizadas, que irán desde 1 hasta 10 con un paso de 1. El resultado de esta prueba es el que se muestra a continuación, en la tabla 4-1: Tabla 4-1. Resultado prueba para 1 palabra Para ver de una manera más clara los resultados obtenidos, los datos de la tabla 4-1 quedan representados en el siguiente gráfico: PCA 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 14,6 3,8 6,4 4,4 4,8 5,2 4,2 1,2 3,6 3 3,6 3,8 1,6 1,4 0,6 2,2 1,8 1,4 1,6 1,6 27,8 7,6 7,6 6,8 6,6 8,8 6 6,8 6,2 5,2 3 2,6 4 3,8 2,4 3,2 3,2 3,8 4,6 3,4 38,8 6,4 8 9,4 10,4 9,2 9 7,6 7,6 8 9,8 7,6 8,8 6,2 4,8 8,8 9,6 5,2 7,6 7,4 47 9 12,2 9,6 10,8 10,4 9,8 9,6 13 10 10,4 8 7,2 8,2 10,6 9,2 7 7 7,8 10,8 59,6 10,4 11,2 14,2 12 13 15,8 11,6 12,8 13,4 12,6 9,6 10 11 12,2 11 11,2 10,4 12,4 9,2 69,6 10,2 12,6 13,8 12,8 14 15,6 15,6 15 15,2 15,6 13,4 13 14,8 12,6 15,4 12 15,8 11,8 12,2 712,2 13,8 17,6 16,4 15,8 20 17 19,2 20,6 19,2 18,4 18 18,8 20,2 14,4 19,4 14,8 16,6 18,8 11,8 89,6 13,8 15,2 16 16,4 21,8 18,8 24 20,8 23,4 19,4 19,6 20 22,4 21,4 21 23,2 22,8 17,4 23,6 916,2 14,6 19,2 21 20 21,8 19,8 23,8 21,2 23,4 21 24,8 23,4 22,6 23 25 23,8 25 22,8 21,8 10 15,4 16,4 20,6 22,8 22 21,2 24 23,4 24 21,4 24,2 23,2 24,6 26,8 24,4 23 23,2 24,8 25,2 25 Número de neuronas de la capa oculta Capítulo 4. Fase experimental 40 Figura 4-2. Representación gráfica prueba 1 palabra En el anterior gráfico, se puede observar como la tasa de acierto más alta se obtiene para una combinación de 280 neuronas en la capa oculta con 10 componentes principales a la entrada de la red neuronal. Que el número de componentes principales sea de 10, quiere decir que no se ha descartado ningún dato, debido a que todos ellos aportan de manera positiva a la identificación. Para tratar de hilar algo más fino en cuanto al número de neuronas de la capa oculta se realiza una nueva prueba donde se juega con el número de neuronas en torno al valor óptimo de las mismas que se ha obtenido. Tratando de ajustar el número de neuronas se ha obtenido el siguiente gráfico: Capítulo 4. Fase experimental 41 Figura 4-3. Resultado del ajuste para una palabra Con este ajuste, se puede concluir que el número óptimo de neuronas es de 278. Una vez obtenido esto ya se puede llevar a cabo el experimento con el cual se obtendrá la tasa de acierto real para cada una de las palabras. Como ya se ha comentado, se utiliza un total de 2000 iteraciones como mecanismo de parada de la red y una configuración de 30 RNA trabajando en paralelo según el Score Fusion. Por tanto, el valor de los parámetros para el experimento definitivo será:  Número iteraciones: 2000  Redes neuronales en paralelo: 30  Neuronas en la capa oculta: 278  Componentes principales: 10 Con esto el porcentaje de acierto obtenido para cada una de las palabras analizadas ha sido el que se muestra a continuación: Capítulo 4. Fase experimental 42 Tabla 4-2. Tasa de acierto por palabra Figura 4-4. Tasa de acierto por palabra Según los resultados de la tabla 4-2 se puede concluir que el parámetro de proporcionalidad aplicado sobre una sola palabra sin ningún tipo de combinación con otros obtiene un acierto máximo de un 35.2%, registrado sobre la palabra “perfecta”. Mientras que el acierto medio del parámetro es de un 25.92% sobre la muestra de 15 palabras. 4.3. Resultado de la fusión de varias palabras Una vez obtenidos los resultados para las palabras analizadas de forma individual, se puede proceder a la combinación de los datos utilizados en aquellas que obtuvieron un mejor porcentaje de acierto, para tratar de aumentar de manera significativa el acierto del sistema. Para ello, se fusionarán los cell de cada una de las palabras, de manera que tengamos una matriz de entrada a la red neuronal de mayor tamaño, con muchos más datos para el aprendizaje y para el test, pero siempre basados en un solo parámetro, el de proporcionalidad. 4.3.1. Fusión de 2 palabras En primer lugar se lleva a cabo la fusión de dos palabras. Las elegidas son aquellas que obtuvieron una mayor tasa de acierto en los análisis individuales. Por tanto, atendiendo a esto las palabras elegidas son “perfecta” y “Quijote”. Una vez decidido esto, lo siguiente es fusionar los parámetros extraídos de ambas palabras en una sola matriz. Tal y como se ha hecho hasta el momento, a esa matriz se le Palabra % Acierto bastante 16 Cervantes 20,4 edición 21,6 española 29,8 hidalgo 28 idealista 22 ingenioso 29,2 mancha 28,2 necesidades 25,6 perfecta 35,2 positivista 28,4 publicó 23,6 Quijote 31,2 tipos 30,2 universal 19,4 Capítulo 4. Fase experimental 43 aplica PCA para que las componentes principales se encuentren en las filas superiores y de manera análoga a cómo se describe en el apéndice 4.2 se obtiene la combinación óptima de número de neuronas en la capa oculta y cantidad de componentes principales. En la tabla 4-3 se encuentran los resultados obtenidos en la prueba: Tabla 4-3. Resultado prueba para 2 palabras Como se puede ver en la tabla anterior, las componentes principales solo se varían entre 11 y 20 a tenor de los resultados del análisis individual, ya que aplicar menos componentes donde anteriormente no se eliminaron datos carece de sentido. Los resultados quedan representados gráficamente en la siguiente figura: Figura 4-5. Representación gráfica prueba 2 palabras PCA 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 11 18 22,6 24,4 25,4 25 24,4 26,8 26,2 23,6 25 25,6 24,2 25,2 21 23,4 20,6 24 22 21,8 22 12 17,6 23,2 26,8 26,6 27 27 27,4 28 27,4 27 26,8 27 28 25 22,6 21,8 23 20,2 19,2 24 13 18,4 24,4 28 27 27 28 28 26,2 26 30 25,2 27,8 24,4 27 25,8 24 27 25,6 24,6 23 14 19,2 25 28,4 29,4 30 28,8 29 29,2 31,2 29 31 31,6 29,6 25 28,4 27,4 31 25,8 25 29 15 22,2 27,4 31,8 33 33 31 31,2 34 32,4 32 31,2 32,8 30,8 34 32,2 26,8 32 27,4 28,6 30 16 24,8 30,4 30,6 31 37 35,4 34,6 36 34,2 34 33,8 32,4 36 32 32 31,2 32 31,8 27,8 31 17 23,8 29,4 31,4 33 35 34,8 37 35,4 36,8 34 35,2 32,2 34,2 35 30,2 31 32 30,2 28 32 18 23,8 33,8 34 36,8 36 35 35,6 37 38 35 35,4 31,2 36,4 33 33,8 32,6 30 32,2 30 31 19 26 29,8 33,6 34,8 35 33,8 37 34,4 37 36 38,2 36,6 35 36 29,6 32,8 32 34,8 28,8 34 20 24 31,2 31,8 38,6 36 36,2 35,2 37,4 35,6 39 37,6 35 34,4 33 37,4 32 29 31,6 33,4 31 Número de neuronas de la capa oculta Capítulo 4. Fase experimental 50 palabras, para tener la mayor cantidad de datos posible; y de todos extraer solamente aquellos que aportan la mayor cantidad de información. Tras aplicar PCA se usará una sola de las componentes principales, para que de esta manera el parámetro de proporcionalidad tenga el mismo peso que el resto de parámetros. Por tanto a los 12 parámetros reutilizados se añade uno más, el de proporcionalidad. También se hará la prueba con varias componentes principales, para comprobar que ocurre dando más peso al parámetro de proporcionalidad que al resto. En este caso no se llevará a cabo un ajuste del número de neuronas en la capa oculta, ya que en el proyecto del que se han tomado los parámetros se indica que el número adecuado de neuronas para esta configuración es de 275. Por tanto ése será el número a utilizar. El proceso seguido para la fusión es el ilustrado en el diagrama de bloques a continuación: Figura 4-12. Proceso para fusión de parámetros Por tanto, acorde con lo comentado, los valores definitivos para empezar el entrenamiento de la red neuronal son:  Número iteraciones: 2000  Redes neuronales en paralelo: 30  Neuronas en la capa oculta: 275 Capítulo 4. Fase experimental 51  Componentes principales: 1, pero de la matriz de datos de proporcionalidad. La tasa de acierto obtenida a partir de la fusión para este caso fue del 99.6%. Resultado que supera de manera holgada lo que se había obtenido hasta ahora con el parámetro de proporcionalidad de forma aislada. Como última prueba, y para comprobar qué ocurre al dar más peso a la proporcionalidad que al resto de parámetros dentro de la matriz que entra a la red neuronal, se utilizan en el bloque correspondiente de la figura 4-12 un total de 10 componentes principales y posteriormente de 50 componentes para comprobar el efecto sobre el resultado final. Con 10 componentes se obtuvo un acierto del 99.4%, por lo que la variación es prácticamente nula, mientras que con 50 componentes la tasa de éxito alcanza el 100%. 4.5. Discusión Para llegar al término del apartado de Experimentación, resulta interesante comparar los resultados obtenidos en este trabajo con los conseguidos en otros proyectos. Acorde con los resultados, el parámetro de proporcionalidad ha demostrado ser muy eficaz trabajando de forma aislada. Sin combinarlo con ningún otro se consigue hasta un 35.2% de acierto para una sola palabra, y combinando 2, 8 y 15 palabras la tasa de acierto es del 47.8%, 74.2% y 84.2% respectivamente. Para comparar los resultados con la eficacia de otros parámetros de forma aislada, se han extraído los resultados que se obtuvieron en el Proyecto Final de Carrera [10] mencionado con anterioridad, ya que se desglosan de forma clara los porcentajes de acierto para cada uno de los parámetros, permitiendo así realizar una comparativa. Dicha comparación se muestra en la siguiente tabla: Capítulo 4. Fase experimental 52 Tabla 4-4. Comparativa parámetros aislados De la tabla 4-4, se concluye que los resultados obtenidos a partir del índice de proporcionalidad son muy superiores a los obtenidos a partir de los demás parámetros. De los parámetros reutilizados el mejor obtenía un 14,4% de acierto, mientras que la proporcionalidad de la palabra es capaz de dar desde un 35,8% para una palabra concreta hasta un 84% tras la fusión de 15 de ellas. La siguiente comparación a establecer será la de la tasa máxima de acierto obtenida en este estudio, enfrentada con las obtenidas en otros mencionados en el apartado de estado del arte. En este caso, el mayor porcentaje de acierto se obtuvo al añadir el parámetro de proporcionalidad a los parámetros reutilizados del proyecto Cálculo de Parámetros Basados en Ciencias Forenses para la Identificación de escritores [10] al que se ha hecho referencia en cantidad de ocasiones. A continuación, se muestra la tabla comparativa: Parámetro Porcentaje de acierto (%) Proporcionalidad (1 palabra) 35,2% Proporcionalidad (2 palabras) 47,8% Proporcionalidad (8 palabras) 74,2% Proporcionalidad (15 palabras) 84,2% Inclinación por B&S 11% Inclinación por jambas y hampas 9,6% Inclinación por proyecciones 11,8% Velocidad 14,4% Longitud jambas y hampas 9,4% Longitud rasgos iniciales y finales 5,4% Área rasgos iniciales y finales 9,6% Presión de la escritura 8,8% Cohesión de la escritura 9,2% Curvatura de la escritura 10,2% Dirección de la palabra 7,2% Distancia entre grammas 9,2% Caja caligráfica 9,6% Capítulo 4. Fase experimental 53 Tabla 4-5. Comparación con el estado del arte Según los resultados de la tabla 4-5 el presente estudio es superior en tasa de acierto final a cualquiera de los mencionados en el apartado de estado del arte, dónde todos estaban por encima del 95% de aciertos, pero ninguno llegando al 100% obtenido en este trabajo. Estudio Porcentaje de acierto (%) Writer identification using directional ink-trace width measurements [6] 63-95% Texture-based descriptors for writer identification and verification [7] 96,7-99,2 % Identification Using An Alphabet Of Contour Gradient Descriptors [8] 96,50% A novel sparse model based forensic writer identification [9] 88-98 % Cálculo de Parámetros Basados en Ciencias Forenses para la Identificación de Escritores [10] 97,36% ESTE ESTUDIO 100% Capítulo 4. Fase experimental 54 Capítulo 5. Conclusiones y líneas futuras 55 Capítulo 5. Conclusiones y líneas futuras En este capítulo se evaluará cuán discriminantes es el parámetro implementado en este trabajo y hasta qué punto se ha conseguido el fin por el cual fue planteado y como ha contribuido a la mejora de un sistema ya existente. Finalmente, se añade un apartado con algunas pinceladas de las posibles líneas futuras de actuación que podrían complementar éste estudio. 6.1. Conclusiones La primera conclusión extraíble del estudio realizado, es la consecución de los objetivos planteados al inicio del presente Trabajo Fin de Grado. Al comienzo, existían dos objetivos principales. El primero de ellos era tratar de diseñar un sistema basado en un solo parámetro que obtuviera una tasa de acierto considerable y el segundo la fusión del parámetro extraído con parámetros de otros estudios para tratar de mejorar los sistemas hasta ahora existentes. Como ya se comento en el apartado de discusión en el capítulo 4, queda demostrado que el índice de proporcionalidad obtiene unos porcentajes de acierto muy superiores a los conseguidos con otros parámetros (tabla 4-4). Además, si vamos a los resultados que se obtienen con una sola palabra, se pueden extraer conclusiones acerca de que palabras funcionan mejor como identificadoras al aplicarles el parámetro de proporcionalidad. De la tabla 4-2 y de la figura 4-4, se concluye que la palabra “perfecta” fue la que obtuvo una tasa de acierto más alta, y atendiendo a sus características puede ser debido principalmente a dos de ellas: la cantidad de hampas y jambas que presenta, y la separación entre las mismas, y el no tratarse de una palabra corta. Además, la segunda palabra en tasa de acierto, que fue “Quijote”, cumple también con dichas características, lo Capítulo 5. Conclusiones y líneas futuras 56 que lleva a pensar que ese debería ser el tipo de palabra utilizada a la hora de realizar una identificación en función del índice de proporcionalidad de la palabra. Otra conclusión a la que se llega, es la del buen funcionamiento que presenta el análisis de componentes principales para grandes cantidades de datos a la entrada de la red neuronal. Consigue eliminar aquellos datos que no aportan información útil al sistema y que podrían perjudicar la identificación. A esta conclusión se llega tras fusionar las 15 palabras utilizadas, donde este análisis descarta algunas muestras, contribuyendo a obtener un porcentaje de acierto mayor que si se trabajara con el total de las mismas. La última y más importante, ha sido la mejora relevante que produce el índice de proporcionalidad combinándolo con otros parámetros que presentan menor porcentaje de acierto. En la tabla 4-5, se muestra como en este estudio se llega a conseguir un acierto del 100%, algo no alcanzado en ninguno de los mencionados en el estado del arte. La influencia que ha tenido el índice de proporcionalidad en este resultado es clara, debido a que con su incorporación a una matriz de parámetros ya existente, se ha pasado de un 97,36% al pleno de aciertos. 6.2 . Líneas futuras A continuación, se plantean varios puntos que se consideran posibles vías de actuación para la mejora del actual estudio:  Localizar más de cinco puntos característicos en las palabras analizadas, para con cada una obtener una mayor cantidad de información. Esto posibilitaría tener que analizar un menor número de palabras para una tasa de acierto similar.  Utilizar palabras como las descritas en el apartado de conclusiones, para que cada una de ellas aporte la mayor cantidad de información posible al sistema, tratando de mejorar el porcentaje de acierto con un sistema que utilice exclusivamente el índice de proporcionalidad.  Llevar a cabo un análisis de verificación, obteniendo la tasa de falsa aceptación y la tasa de aceptación genuina, para que el sistema pueda ser utilizado en aplicaciones que necesiten una alta fiabilidad. También podrían seguirse algunas líneas de carácter algo más general, como serían:  Considerar otros sistemas de clasificación que no sean redes neuronales y Capítulo 5. Conclusiones y líneas futuras 57 observar su respuesta. Como en otros sistemas, donde al utilizar SVM se conseguía mejorar la respuesta final, partiendo de un análisis inicial con NN.  Ampliar el campo de análisis de la escritura, para obtener parámetros relacionados con el texto en general, como por ejemplo, el análisis de la inclinación de las líneas del texto, separación entre palabras, distribución del texto dentro de la hoja escrita, separación entre líneas del texto…  Realizar segmentación de palabras para poder obtener parámetros importantes como el paralelismo gramático.  Estudiar la influencia del útil esferográfico, ampliando la base de datos con muestras obtenidas con lápiz, pluma…  Identificación del escritor sin léxico restringido.  Análisis de la barra de la letra t, que puede presentar hasta 24 maneras de representación dentro de la grafotecnia.  Estudio de los signos de puntuación. Capítulo 5. Conclusiones y líneas futuras 58 Anexos 59 ANEXOS ANEXO I. Proceso de formación de la base de datos. En este anexo se describe el proceso llevado a cabo en su día para la creación de la base de datos utilizada. Para la formalización de la base de datos se ha utilizado un párrafo de 15 líneas en el idioma oficial español, el castellano. Este párrafo ha sido copiado 10 veces en folios independientes DIN-A4 (297 mm. × 210 mm.) por cada miembro de la BD, componiendo lo que se llama el cuerpo de escritura de cada sujeto. El párrafo se ha elegido de este tamaño porque se considera que es suficiente para que los escritores impriman sus características personales y dejen reflejado el hábito de su escritura. La base de datos ha sido construida con cien de escritores diferentes, a los cuales se les ha entregado la plantilla (párrafo de 15 líneas) escrita a ordenador (para evitar cualquier tipo de condicionamiento escritural), junto con los folios (no reciclados y de 80 gr.) y el bolígrafo (BIC de tinta negra) empleado a tal efecto. Una vez se ha entregado el material a cada persona, estos disponen de una semana para realizar las copias. Además, se les alecciona para que las realicen no de manera continuada, sino a cualquier hora del día y a ser posible en diferentes días a lo largo de la semana. De esta manera, se consigue el efecto de invarianza temporal en la base de datos. También se les indica que la superficie de apoyo para realizar la copia ha de ser rígida, plana y lisa, y que sólo se debe emplear el folio en el que se va a escribir, sin colocar ninguno debajo, pues esto haría que la tinta se expandiera más. El objetivo que se persigue es que nada perturbe el correcto desplazamiento de la punta del útil escritural. Un claro ejemplo de esto se da cuando, con gran dificultad, se intenta escribir sobre una servilleta o papel higiénico, el esfuerzo se vuelve enorme ya que el útil normalmente no se desliza con facilidad, lo que hace que existan modificaciones en el aspecto de la escritura. Por otro lado, comentar que estos escritos fueron realizados por un grupo de personas bastante heterogéneo (de los cuales solo se conocen su nombres, edades y sexo) a las que no se les impuso restricción alguna en cuanto al estilo de escritura (márgenes, separaciones entre líneas, mayúsculas o minúsculas, etc.) ni en cuanto al espacio ocupado por la misma. Únicamente no debían dividir las palabras por guiones al final de la línea en Pliego de Condiciones 66 Pliego de Condiciones 67 PLIEGO DE CONDICIONES En este apartado se especifican los requerimientos software y hardware necesarios para la correcta ejecución de las aplicaciones implementadas. 1. Especificaciones hardware. El sistema mínimo necesario para la correcta ejecución de la aplicación desarrollada es:  Ordenador Personal: cuyas características principales son un procesador Intel Core i3 a 2,1 GHz, con 4 GB de RAM y tarjeta gráfica NVIDIA GeForce 410M 1 GB. La capacidad de almacenamiento de disco duro, dado el tamaño de la base de datos, debe ser superior a los 1,42GB. Con la realización de pruebas se generan archivos adicionales, por lo que es recomendable un espacio libre de al menos 3 GB.  Impresora. 2. Especificaciones software.  Sistema operativo: Windows 7 Home Premium.  Matlab 7.10.0 (R2010a)  Microsoft Office 2007: Word (empleado para la redacción de proyecto), Excel (para la representación de gráficos) y PowerPoint (empleado para la presentación)  BD: base de datos de imágenes de palabras proporcionada por el departamento GPDS vinculado al IDeTIC de la ULPGC. Las imágenes se encuentran en formato BMP y clasificadas en carpetas según su autor y su muestra. Dicha estructura se encuentra definida en la sección “Base de datos” de la Memoria. Pliego de Condiciones 68 69 III. PRESUPUESTO Presupuesto 70 Presupuesto 71 PRESUPUESTO David Hernández Abreu, autor del presente Trabajo de Fin de Grado, declara que: El Trabajo Fin de Grado con título “Sistema de identificación de personas mediante la información holística de su escritura manuscrita”, desarrollado en la Escuela de Ingeniería de Telecomunicaciones y Electrónica, de la Universidad de Las Palmas de Gran Canaria, tiene un coste de desarrollo total de 17427,96 € correspondiente a la suma de las cantidades consignadas a los apartados considerados a continuación. Fdo.: David Hernández Abreu Las Palmas de Gran Canaria a 6 de junio del 2014 Presupuesto 72 P1. Desglose del Presupuesto Para la realización del presupuesto se han seguido las recomendaciones del Colegio oficial de Ingenieros de Telecomunicación (COIT) sobre los baremos orientativos mínimos para trabajos profesionales en 2009. El presupuesto se ha desglosado en varias secciones en las que se han separado los distintos costes asociados al desarrollo del TFG, fijándose la duración del mismo en 4 meses. Estos costes se dividen en: Recursos materiales. Trabajo tarifado por tiempo empleado. Costes de redacción del Trabajo Fin de Grado. Material fungible. Derechos de visado del COIT. Aplicación de impuestos. P2. Recursos materiales Entre los recursos materiales utilizados para la realización de este TFG se incluyen las herramientas software de desarrollo de los algoritmos del sistema, los paquetes software usados para la redacción de la memoria, y el sistema operativo bajo el que se ejecutó el trabajo. Asimismo, se incluyen los equipos hardware utilizados para dar soporte a estas herramientas. Se estipula el coste de amortización para un período de 3 años. Para ello, se utilizará un sistema de amortización lineal o constante, en el que se supone que el inmovilizado material se deprecia de forma constante a lo largo de su vida útil. La cuota de amortización anual se calcula usando la siguiente fórmula: El “valor residual” es el valor teórico que se supone que tendrá el elemento después de su vida útil. P2.1. Recursos Hardware Para la ejecución de este estudio las herramientas hardware que se han utilizado son Presupuesto 73 las siguientes: Un ordenador portátil Sony Vaio Intel Core i3, con 4 GB de memoria RAM y 452 GB de disco duro. Impresora. Costes de las herramientas Hardware Descripción Coste Total Valor Residual (3 años) Valor Amortización (4 meses) Ordenador portátil 552,6 € 200 € 39,17 € Ordenador Personal 68,6 € 25 € 4,84 € Total de Costes 44,01 € Tabla P.1. Costes de herramientas hardware P2.2. Recursos Software Las herramientas software utilizadas en el presente trabajo fueron: Matlab® v.7.10.0 (R2010a) Microsoft Office® 2007 Base de datos Windows® 7 Costes de las herramientas Software Descripción Coste Total Valor Residual (3 años) Valor Amortización (4 meses) Matlab® v.7.10.0 3900 € 0 € 433,33 € Microsoft Office® 2007 250 € 0 € 27,77 € Base de datos 0 € 0 € 0 € Windows® 7 200 € 0 € 22,22 € Total de Costes 483,32 € Tabla P.2. Costes de herramientas software P3.Trabajo tarifado por tiempo empleado En este Trabajo Fin de Grado se ha invertido 300 horas en las tareas de especificación, desarrollo y documentación necesarias para la elaboración del mismo. El importe de las horas de trabajo empleadas para la realización del estudio se calcula siguiendo las recomendaciones del COIT: Presupuesto 74 Donde: son los honorarios totales por el tiempo dedicado. son las horas normales trabajadas (dentro de la jornada laboral). son las horas especiales. es un factor de corrección función del número de horas trabajadas. Las 300 horas invertidas, se han realizado todas ellas dentro del horario normal. Según el COIT, el coeficiente tiene un valor variable en función del número de horas empleadas de acuerdo con la siguiente tabla: Horas empleadas Factor de corrección Hasta 36 horas 1.00 Desde 36 horas a 72 horas 0.90 Desde 72 horas a 108 horas 0.80 Desde 108 horas a 144 horas 0.70 Desde 144 horas a 180 horas 0.65 Desde 180 horas a 360 horas 0.60 Desde 360 horas a 540 horas 0.55 Tabla P.3. Factor de corrección en función del número de horas invertidas Como se puede observar el número de horas está en el rango de más de 180 y menos de 360, por lo que según la Tabla P.4 el factor de corrección es de = 0,60. Con ello, la ecuación del importe de horas de trabajo resulta de la siguiente forma: Los honorarios totales por tiempo dedicado libres de impuestos ascienden a trece mil cuatrocientos setenta y ocho euros con 40 céntimos (13478,40€). P4. Costes de redacción del Trabajo Fin de Grado. El importe de la redacción se calcula de acuerdo a la siguiente expresión: Presupuesto 75 Donde: es el presupuesto. es el coeficiente de ponderación en función del presupuesto. En la siguiente tabla se muestra el presupuesto calculado hasta el momento: Descripción Costes Recursos Hardware 44,01 € Recursos Software 483,32 € Trabajo Tarifado por Tiempo Empleado 13478,40 € Total de Costes 14005,73 € Tabla P.4. Costes de ejecución material El presupuesto calculado hasta el momento asciende a 14005,73 €. Como el coeficiente de ponderación para presupuestos menores de 30.050 € viene definido por el COIT con un valor de 1.00, el coste derivado de la redacción del Trabajo Fin de Grado es de: Por tanto el coste libre de impuestos derivado de la redacción del Trabajo Fin de Grado es de novecientos ochenta euros con cuarenta céntimos (980,40 €). P5. Material fungible. Además de los recursos hardware y software, en este trabajo se han empleado otros materiales, como son los folios y el tóner de la impresora entre otros, que se especifican como material fungible. En la tabla P.6. se muestran los costes generados por estos recursos. Descripción Costes Folios 10,00 €