¿Cómo funciona la Autenticación de Superficie con Láser?

Question

Como estudiante de posgrado en matemáticas tengo algunas dificultades para entender completamente la tecnología de autenticación de superficies láser.

Según Wikipedia:

LSA analiza la estructura aleatoria natural de una superficie y a partir de esto, genera una firma o código único para esa superficie. Este código puede luego ser utilizado para autenticar e identificar el artículo de la misma manera que una huella dactilar. La tecnología se puede utilizar para papel, cartón, plásticos, metales y cerámicas, y ha encontrado muchas aplicaciones en diversos mercados.

Algunas cosas no están claras para mí:

1. Según (http://www.scientificamerican.com/article/papers-natural-fingerprin/)

   "Las probabilidades de que dos piezas de papel tengan huellas dactilares indistinguibles son inferiores a 10-72. Para superficies más suaves como tarjetas de plástico de acabado mate, la probabilidad aumenta, pero solo a 10-20."

   ¿Cómo definimos la 'suavidad' de las superficies? ¿Cómo podemos describir la relación entre la suavidad de la superficie y las probabilidades de que 2 superficies tengan huellas dactilares indistinguibles?

2. En la página 12 de un powerpoint (http://www.wcoomd.org/fr/events/event-history/2005/biometrics/~/media/66D04022D64F4837897113A3647DACA5.ashx) hay un gráfico con fracción de bits coincidentes en función de 'desplazamiento posicional'. ¿Qué es el desplazamiento posicional? ¿Tiene esto algo que ver con la suavidad de la superficie?

3. En Impacto de la rugosidad de la superficie en las firmas de autenticación de superficies láser bajo desplazamientos lineales y rotacionales (http://www.ncbi.nlm.nih.gov/pubmed/19838264) los autores definen intensidad fraccional de la señal acoplada en corriente alterna (segundo párrafo de la página 2).

   "La intensidad fraccional de cada escaneo se calcula dividiendo la desviación estándar de los valores de intensidad por la media".

   ¿Por qué necesitamos eso? ¿Puede alguien explicar los puntos principales en un lenguaje claro y comprensible (tengo algo de formación matemática)?

(Si alguien tiene mejores etiquetas para esto, por favor mejórelo)

Answer 1

Estás haciendo tres preguntas, pero están estrechamente relacionadas.

1. La suavidad se define como la escala en la que cambian las características de la superficie, tanto "¿cuánto tienes que moverte a la izquierda o a la derecha para que cambie la altura?", como "¿cuánto cambia la altura?". Esto se puede calcular con la autocorrelación de la altura: si la altura cambia rápidamente, la altura entre dos puntos que están a cierta distancia tendrán poca correlación, mientras que una superficie suave (que varía lentamente) mostrará mucha correlación. Esto se relaciona directamente con la respuesta a tu segunda pregunta:
2. Cuando mides la misma hoja de papel en el mismo lugar, verás la misma "firma". Pero si mides en un lugar ligeramente diferente, la firma cambiará. Cuánto tienes que moverte antes de que sea significativamente diferente es una función de la suavidad - ya que realmente estás investigando la correlación cruzada entre dos funciones de rugosidad de la superficie, y si de hecho es la misma superficie, entonces si las dos superficies están alineadas en el mismo punto te darán la misma firma y una muy buena correlación (la intensidad de la imagen de moteado seguirá el mismo patrón).
3. El paper de Seem et al que citas normaliza los datos de intensidad. Esto es necesario porque eliminas la variabilidad debido a la fuente de iluminación, etc. Esta operación básicamente te permitirá clasificar cada punto en la superficie como "por encima del promedio", "promedio" o "por debajo del promedio". Dado que "por debajo del promedio" aún podría tener una intensidad significativa asociada, si simplemente hicieras la correlación de las intensidades (sin normalizar) tu gráfico de correlación completo tendría un gran desfase. El problema con eso es que la variación en la reflectividad causada por algo que no sean características microscópicas podría empezar a afectar tus resultados. Al escalar los datos primero, puedes encontrar clasificaciones de "puntos brillantes/puntos oscuros" y eliminar todos los efectos de baja frecuencia (incluidos los desfases de CC) en la señal que harían que el procesamiento fuera difícil.

Intenté mantener esto a nivel de una descripción no técnica - pero si no está claro, ¡por favor haz preguntas!