Machine Learning for Biometrics: Concepts,

Algorithms and Applications (Cognitive Data

Science in Sustainable Computing) Partha Pratim
Sarangi pdf download
https://ebookmass.com/product/machine-learning-for-biometrics-
concepts-algorithms-and-applications-cognitive-data-science-in-
sustainable-computing-partha-pratim-sarangi/

Explore and download more ebooks at ebookmass.com

Here are some recommended products for you. Click the link to
download, or explore more at ebookmass.com

Machine Learning for Signal Processing: Data Science,

Algorithms, and Computational Statistics Max A. Little

https://ebookmass.com/product/machine-learning-for-signal-processing-
data-science-algorithms-and-computational-statistics-max-a-little/

Introduction to algorithms for data mining and machine

learning Yang

https://ebookmass.com/product/introduction-to-algorithms-for-data-
mining-and-machine-learning-yang/

Fundamentals of Machine Learning for Predictive Data

Analytics: Algorithms,

https://ebookmass.com/product/fundamentals-of-machine-learning-for-
predictive-data-analytics-algorithms/

Introduction to Algorithms for Data Mining and Machine

Learning Xin-She Yang

https://ebookmass.com/product/introduction-to-algorithms-for-data-
mining-and-machine-learning-xin-she-yang/
Machine Learning for Business Analytics: Concepts,
Techniques and Applications in RapidMiner Galit Shmueli

https://ebookmass.com/product/machine-learning-for-business-analytics-
concepts-techniques-and-applications-in-rapidminer-galit-shmueli/

Machine Learning Algorithms for Signal and Image

Processing Suman Lata Tripathi

https://ebookmass.com/product/machine-learning-algorithms-for-signal-
and-image-processing-suman-lata-tripathi/

Cognitive Big Data Intelligence with a Metaheuristic

Approach (Cognitive Data Science in Sustainable Computing)
Sushruta Mishra
https://ebookmass.com/product/cognitive-big-data-intelligence-with-a-
metaheuristic-approach-cognitive-data-science-in-sustainable-
computing-sushruta-mishra/

Machine Learning for Planetary Science Joern Helbert

https://ebookmass.com/product/machine-learning-for-planetary-science-
joern-helbert/

Machine Learning for Business Analytics: Concepts,

Techniques and Applications with JMP Pro, 2nd Edition
Galit Shmueli
https://ebookmass.com/product/machine-learning-for-business-analytics-
concepts-techniques-and-applications-with-jmp-pro-2nd-edition-galit-
shmueli/
Machine Learning for Biometrics
Concepts, Algorithms, and Applications
Cognitive Data Science in Sustainable Computing

Machine Learning for

Biometrics
Concepts, Algorithms, and Applications

Edited by

Partha Pratim Sarangi

Assistant Professor, Computer Science and Engineering, Seemanta Engineering College,
Jharpokharia, Baripada, Odisha, India

Madhumita Panda
Assistant Professor, Master in Computer Applications, Seemanta Engineering College,
Jharpokharia, Baripada, Odisha, India

Subhashree Mishra
Assistant Professor, School of Electronics Engineering, KIIT University, Bhubaneswar,
Odisha, India

Bhabani Shankar Prasad Mishra

Associate Professor, School of Computer Engineering, KIIT University, Bhubaneswar,
Odisha, India
Dean, School of Computer Engineering, KIIT University, Bhubaneswar, Odisha, India

Banshidhar Majhi
Director, IIITDM, Kancheepuram, Chennai, Tamil Nadu, India

Series Editor
Arun Kumar Sangaiah
School of Computing Science and Engineering,Vellore Institute of Technology (VIT),
Vellore, India
Academic Press is an imprint of Elsevier
125 London Wall, London EC2Y 5AS, United Kingdom
525 B Street, Suite 1650, San Diego, CA 92101, United States
50 Hampshire Street, 5th Floor, Cambridge, MA 02139, United States
The Boulevard, Langford Lane, Kidlington, Oxford OX5 1GB, United Kingdom
Copyright © 2022 Elsevier Inc. All rights reserved
No part of this publication may be reproduced or transmitted in any form or by any means,
electronic or mechanical, including photocopying, recording, or any information storage and
retrieval system, without permission in writing from the publisher. Details on how to seek
permission, further information about the Publisher’s permissions policies and our arrangements
with organizations such as the Copyright Clearance Center and the Copyright Licensing Agency, can
be found at our website: www.elsevier.com/permissions.
This book and the individual contributions contained in it are protected under copyright by the
Publisher (other than as may be noted herein).
Notices
Knowledge and best practice in this field are constantly changing. As new research and experience
broaden our understanding, changes in research methods, professional practices, or medical
treatment may become necessary.
Practitioners and researchers must always rely on their own experience and knowledge in evaluating
and using any information, methods, compounds, or experiments described herein. In using such
information or methods they should be mindful of their own safety and the safety of others,
including parties for whom they have a professional responsibility.
To the fullest extent of the law, neither the Publisher nor the authors, contributors, or editors,
assume any liability for any injury and/or damage to persons or property as a matter of products
liability, negligence or otherwise, or from any use or operation of any methods, products,
instructions, or ideas contained in the material herein.

Library of Congress Cataloging-in-Publication Data

A catalog record for this book is available from the Library of Congress
British Library Cataloguing-in-Publication Data
A catalogue record for this book is available from the British Library
ISBN 978-0-323-85209-8

For information on all Academic Press publications

visit our website at https://www.elsevier.com/books-and-journals

Publisher: Mara Conner

Editorial Project Manager: Andrae Akeh
Production Project Manager: Swapna Srinivasan
Cover Designer: Christian J. Bilbow

Typeset by STRAIVE, India

Contributors

Numbers in paraentheses indicate the pages on which the authors’ contributions begin.
Sumitav Acharya (143), Department of Computer Science and Engineering, National
Institute of Science and Technology, Berhampur, India
A. Anandh (105), Department of Computer Science and Engineering, Kamaraj College
of Engineering and Technology, Madurai, India
Saurabh Bilgaiyan (155), School of Computer Engineering, KIIT Deemed to be
University, Bhubaneswar, Odisha, India
P.V.S.S.R. Chandra Mouli (65), Department of Computer Science, Central University
of Tamil Nadu, Thiruvarur, India
Manisha P. Dale (1), MES College of Engineering, Savitribai Phule Pune University,
Pune, India
Rupam Das (155), School of Electronics Engineering, KIIT, Deemed to be University,
Bhubaneswar, India
K. Devendran (87), Computer Science and Engineering, Kongu Engineering College,
Erode, Tamil Nadu, India
Sachit Dhamija (155), School of Electronics Engineering, KIIT, Deemed to be
University, Bhubaneswar, India
R. Jai Ganesh (129), K. Ramakrishnan College of Technology, Trichy, India
G.K. Kamalam (177), Department of Information Technology, Kongu Engineering
College, Erode, Tamil Nadu, India
Vaishali H. Kamble (1), AISSMS IOIT, Savitribai Phule Pune University, Pune, India
M. Kavitha (129), K. Ramakrishnan College of Technology, Trichy, India
P. Keerthika (87,177), Department of Computer Science and Engineering, Kongu
Engineering College, Erode, Tamil Nadu, India
Chirag Kyal (29), Department of Computer Science and Engineering, National Institute
of Science and Technology, Berhampur, India
K. Logeswaran (177), Department of Information Technology, Kongu Engineering
College, Erode, Tamil Nadu, India
V.M. Manikandan (201), Computer Science and Engineering, SRM University-AP,
Amaravati, Andhra Pradesh, India
R. Manjula Devi (87,177), Department of Computer Science and Engineering, Kongu
Engineering College, Erode, Tamil Nadu, India

xiii
xiv Contributors

Bhabani Shankar Prasad Mishra (47,155), School of Computer Engineering, KIIT

Deemed to be University, Bhubaneswar, India
Subhashree Mishra (47), School of Computer Engineering, KIIT Deemed to be
University, Bhubaneswar, Odisha, India
Samrat Mondal (217), Department of Computer Science and Engineering, Indian
Institute of Technology Patna, Bihta, India
H. Muthukrishnan (177), Department of Information Technology, Kongu Engineering
College, Erode, Tamil Nadu, India
K. Muthulakshmi (105), Department of Computer Science and Engineering, Kamaraj
College of Engineering and Technology, Madurai, India
Madhumita Panda (47), Master of Computer Applications, Seemanta Engineering
College, Jharpokharia, India
Suryakanta Panda (217), Department of Computer Science and Engineering, Indian
Institute of Technology Patna, Bihta, India
Harsh Poddar (29), Department of Computer Science and Engineering, National
Institute of Science and Technology, Berhampur, India
R. Ramya (105), Department of Computer Science and Engineering, Kamaraj College
of Engineering and Technology, Madurai, India
Motahar Reza (29,143), Department of Mathematics, GITAM Deemed to be
University, Hyderabad, India
C. Sagana (87), Computer Science and Engineering, Kongu Engineering College,
Erode, Tamil Nadu, India
M. Sangeetha (87), Computer Science and Engineering, Kongu Engineering College,
Erode, Tamil Nadu, India
Partha Pratim Sarangi (47,87), School of Computer Engineering, KIIT Deemed to be
University, Bhubaneswar, India
Priyanshu Sarmah (155), School of Electronics Engineering, KIIT, Deemed to be
University, Bhubaneswar, India
K. Sentamilselvan (177), Department of Information Technology, Kongu Engineering
College, Erode, Tamil Nadu, India
P. Suresh (87,177), Department of Information Technology, Kongu Engineering
College, Erode, Tamil Nadu, India
S. Venkatesh (105), Microland, Bengaluru, India
Dilip Kumar Yadav (65), Department of Computer Applications, National Institute of
Technology, Jamshedpur, India
Gaurav Yadav (65), Department of Computer Applications, National Institute of
Technology, Jamshedpur, India
Preface

The biometric systems automatically recognize the identity of a person by using

his/her physiological and behavioral characteristics. The improvement in sensor
technology attracts many researchers’ attention to introduce a number of new
biometric traits for providing privacy and security in various applications rang-
ing from industrial to healthcare systems. In the last decades, with the aim of
improving the recognition performance, a large number of machine learning
algorithms have been presented in numerous biometric applications. The signif-
icance of machine learning algorithm is to determine the identity of individuals
by associating biometric patterns with their respective enrolled users. However,
in high-security applications, security and recognition accuracy are major con-
cerns that can be addressed by designing multimodal biometric systems. As the
name depicts, multimodal biometrics incorporates two or more different bio-
metric characteristics (for example, fingerprint, iris, face, plamprint, etc.),
which works in the similar way like unimodal biometrics except an extra mod-
ule of information fusion. Due to the increasing number of biometric systems
and their applications, a profound amount of research and developments are still
required in this field of biometrics.
So far, a numerous biometric systems are exhibiting limited identification
rate or accuracy in unconstrained scenarios due to the poor quality of image
acquisition that includes poor contrast, varying illumination, and
noncooperation by users. These challenges encourage many researchers to work
in its diverse segments such as extracting discriminative features, employing
efficient classifiers, and fusion of information at different stages of the multi-
modal biometric systems. Furthermore, another direction of research is to pro-
vide security to the biometric information system in case of online mode of
identity recognition of individuals in many applications. This book covers
the most recent research progresses in the field of biometrics to enhance recog-
nition performance and security problems in several applications, such as online
transaction, e-commence, access control, law enforcement, boarder security,
healthcare, and so on.
In this book, we specifically address the current research progress in the
field of biometrics and biometric-based applications with the objective of
improving personal identity recognition performance. This book comprises
12 chapters, in which each chapter delivers the concepts and fundamentals of
a recent topic on biometrics, presents reviews on up-to-date methodologies,

xv
xvi Preface

reveals results, and compares with state-of-the-art, highlighting its effectiveness

in the recognition and future directions. Furthermore, the contents of this book
are organized according to the well-accepted biometric traits and a few novel
ones along with biometric security and recent applications, so that each chapter
can be read autonomously from the others. A concise and chapter-wise intro-
duction of this book is described below.
Chapter “Machine Learning Approach for longitudinal face recognition of
children” presents a novel application of identity recognition of children using
the face biometric trait. Face recognition of children below 6 years of age helps
to identify children for their healthcare services and investigation of missing
children. In this chapter, the authors developed a new face database in which
they collected face images of the individual over a period of time, especially
at a gap of few months, and named it as longitudinal face database. Extensive
experiments are performed using different machine learning classifiers such as
support vector machine (SVM), K-nearest neighbor (KNN), logistic regression
(LR), decision tree, Gaussian Naive Bayes, and convolutional neural networks
(CNN). Comparison of experimental results demonstrates the effectiveness and
superiority of the proposed method using CNN with improved accuracy.
Finally, the authors suggest to increase the database size and improvement in
the model as some possible research directions in future.
Chapter “TBFR: Thermal Biometric Face Recognition—A Noncontact Face
Biometry” proposes a novel thermal face recognition method to diminish the
effect of varying light intensity, poses, accessories, aging, etc. of the existing
face biometric systems. In this chapter, the authors fused face geometry features
with pretrained ResNet-50 features to improve recognition performance, and
experimental results revealed the proposed method to be more robust in com-
parison with the existing methods.
Chapter “Multimodal Biometric Recognition using Human Ear and Profile
Face: An Improved Approach” discusses an improved approach for ear biomet-
rics based on fusion of ear and profile face-handcrafted features at the feature-
level fusion and score-level fusion schemes. Recently, some convolutional neu-
ral network models have been proposed for ear biometrics, and their experiment
results show competent performance compared to state-of-the-art methods.
However, deep-learning-based biometrics applications need a large number
of training images, huge memory for data processing, and enormous computa-
tional complexity at the cost of improving the identification rate. In this chapter,
the authors focus on a multimodal approach based on ear and profile face, to
enhance the recognition performance with less processing complexity. Several
experiments with comparisons are performed to test the effectiveness and supe-
riority of the proposed approach.
Chapter “Statistical Measures for Palmprint Image Enhancement” provides
the overview of image enhancement methods and their quality measurements in
palmprint images. In the palmprint image enhancement techniques, the most
widely used databases are discussed with further details. However, the image
 Preface xvii

enhancement plays an important role in the preprocessing step of biometric sys-

tems to provide a better recognition performance in terms of accuracy and
identification rate.
In chapter “Retina Biometrics for Personal Authentication,” an attempt is
made to explore the retina biometrics using the ANFIS model. In this chapter,
ANFIS-based Retina Biometric Authentication System (ARBAS) for person’s
authentication and its significance are discussed. Besides, this chapter provides
readers with the required amount of knowledge to select suitable features’ set
and adequate techniques to develop robust research in this field.
Chapter “Gender Recognition from facial Images using Multi-Channel
Deep Learning Framework” demonstrates Multi-Channel Deep Learning
Framework based on an automated gender recognition approach. In this work,
the authors try to extract discriminative features from raw facial images from
GoogleNet. They fuse feature vectors obtained from two sources: first, feature
vectors are obtained from featured images generated from LDP filters and sec-
ond, feature vectors are directly obtained from raw facial images, and then both
are separately applied as inputs to GoogleNet. Finally, the feature sets are com-
bined together using CCA/DCA to provide input to SVM classifier for gender
recognition of the given input image. A series of experiments are conducted,
and a comprehensive explanation of experimental results is illustrated.
Chapter “Implementation of Cardiac Signal for Biometric Recognition from
Facial Video” discusses the Heartbeat Signal from Facial Video (HSFV) as a
biometric evidence for recognizing the identity of individuals. This chapter
impacts researchers to get motivation and knowledge toward working in a novel
direction in the field of biometrics.
Chapter “Real-Time Emotion Engagement Tracking of Students using
Human Biometric Emotion Intensities” describes an automatic method to detect
an absent-minded face present in a class using FAU (Facial Action Unit). Fur-
thermore, this chapter covers multiple aspects of tracking, ranging from the stu-
dent entering the classroom. Experimental results presented by the authors can
achieve excellent results for emotion detection and recognition of students’ face
images.
Chapter “Facial Identification Expression Based Attendance Monitoring
and Emotion Detection—A Deep CNN Approach” discusses the challenges
of taking attendance and gauging emotions of the students in a new online class-
room environment. In this chapter, with the help of advance machine learning
approach, the authors introduce an automatic biometric-based attendance and
facial expression recognition system.
Chapter “Contemporary Survey on Effectiveness of Machine and Deep
Learning Techniques for Cyber Security” reviews the practicality of biometrics
in cyber security based on efficient machine learning and deep learning tech-
niques. The objective of this survey is to provide an impact on readers to acquire
the fundamental concepts of biometric authentication and identification using
different machine learning techniques for cyber security systems.
xviii Preface

Chapter “A Secure Biometric Authentication System for Smart Environ-

ment using reversible Data Hiding through Encryption Scheme” introduces
the notion of reversible data hiding (RDH) scheme to achieve a secure online
biometric data communication. In a RDH-based encryption scheme, the bio-
metric images are encrypted by hiding the important information in an image.
In this chapter, the author presents a new model wherein the compressed finger-
print data is used as a secret message, and it will be embedded into the face
image through a reversible data hiding-based encryption scheme. In order to
maintain secure communication, encrypted image obtained after RDH scheme
is transmitted to the cloud service provider in a secure manner.
Chapter “An Efficient and Untraceable Authentication Protocol for Cloud
Based Healthcare System” provides Telecare Medical Information System
(TMIS), which is very important in pandemic situations, for example, Covid-
19. In this technique, the patient’s mobile device has a major role for commu-
nicating with doctors. Furthermore, mutual authentication and key agreement
scheme is required to protect vital information from any kind of mischief activ-
ities from adversaries in the insecure communication channel. In this chapter,
the authors propose a biometric hashing technique to provide secure authenti-
cation and key agreement for communication between the patient and
the doctor.
Finally, we hope that our readers including the graduate students, research
scholars, young researchers, academicians, and industrial professionals find the
contributed chapters in this book thought-provoking, and this piece of work will
motivate future research breakthrough to progress further advances in the
machine learning-based biometrics applications.

Partha Pratim Sarangi

Madhumita Panda
Subhashree Mishra
Bhabani Shankar Prasad Mishra
Banshidhar Majhi
Visit https://ebookmass.com today to explore
a vast collection of ebooks across various
genres, available in popular formats like
PDF, EPUB, and MOBI, fully compatible with
all devices. Enjoy a seamless reading
experience and effortlessly download high-
quality materials in just a few simple steps.
Plus, don’t miss out on exciting offers that
let you access a wealth of knowledge at the
best prices!
Acknowledgments

The editors would like to gratefully acknowledge all of the contributors for con-
tinuous effort and timely submission of their chapters. This book would not
have been feasible without the cooperation of the chapter authors. All the chap-
ters have been reviewed for several rounds to facilitate the selection of final
chapters in our book. Valuable suggestions and guidance from the reviewers
helped the authors in refining individual chapters. Thanks also go to the
reviewers in enhancing the quality of the chapters of this book.
The editors would like to extend gratitude to Sonnini Ruiz Yura from
Elsevier for inspiration over the year. We would like to gratefully acknowledge
Andrae Akeh and Judith Clarisse Punzalan (Elsevier) for their patience during
the preparation of this book. In addition, we shall thank Swapna Srinivasan at
Elsevier for her sincere help and patience during the final preparation of this
book. Finally, we shall extend gratefulness to our family members and friends
for all their support.

xix
Chapter 1

Machine learning approach

for longitudinal face recognition
of children
Vaishali H. Kamblea and Manisha P. Daleb
a
AISSMS IOIT, Savitribai Phule Pune University, Pune, India, bMES College of Engineering,
Savitribai Phule Pune University, Pune, India

1 Introduction
Face of an individual is a popular and well-accepted biometric trait that can be
used to perform identity recognition of adults as well as children. Children are
the most valuable and jeopardy group in society; hence they should be under
supervision continuously. Security and healthcare of children is an important
aspect of all countries [1]. Automatic recognition of children using their face
is a useful investigative tool to help identify missing children. Though the
development of the face of a child starts in the mother’s womb from 3 months,
it is not proportional to the development of other parts of the body. Therefore,
recognition of children below 6 years is still an open research problem. Children
recognition using different modalities needs to be studied to solve the problems
related to security and healthcare. As per the literature survey, still there is not
even one commercial biometric system in use for recognition of toddlers. Var-
ious researchers have discussed about biometric recognition of adults; however,
very few papers on toddlers are available. A meager amount of work has been
traced in biometric identification of toddlers or children. It is most challenging
to recognize a toddler from his own single photograph after a few months. But,
in some instances, such as missing children, we have only the face image. So,
the recognition of children from their face image is very important. Facial
images can be acquired without users’ active involvement using ordinary cam-
eras from a distance. Also in survey, we noted that that most of the toddler’s
biometric recognition is in verification mode.
Sahar Siddique studied longitudinal face recognition using the Extended
Newborn Database and Children Multimodal Biometric Database. Identifica-
tion accuracy achieved using CNN is 62.7% and 85.1% on both the databases,

Machine Learning for Biometrics. https://doi.org/10.1016/B978-0-323-85209-8.00011-0

Copyright © 2022 Elsevier Inc. All rights reserved. 1
2 Machine learning for biometrics

respectively [2]. Rowden et al. studied the longitudinal face recognition of chil-
dren between 0 and 4 years of age. The same-session accuracy they achieved is
93% and cross-session accuracy 43% after 6 months [3]. Local Binary Pattern
(LBP) is widely used texture-based method for recognition of face biometrics
[4]. This method is also used for children face recognition [5,6].
This chapter is presenting a machine learning and deep learning approach
for face recognition of children. As per the literature review, the study of chil-
dren recognition with the help of their face modality started in 2010 in India
[5,6]. Most of the papers studied same-session face recognition. The meager
amount of work is carried out longitudinally, that is, images of the same subject
taken over a period of time. There are very few readily available databases for
newborns like FG-NET [7]. There are very few images of children below
5 years in these datasets. CMBD database of IIIT Delhi (India) [8] is one of
the children longitudinal face recognition databases, but due to security reasons
the face database is not publicly available [9]. Therefore, database collection is
the major task in infants and toddler’s recognition. For this study, the database
of 81 subjects for the same session and 48 subjects for the cross session is col-
lected. The span between the data acquisition sessions is 3–6 months. The major
stages of the proposed work are preprocessing of face images, which include
manually cropping of face images of size 120
120 and converting it into gray
scale. Feature extraction is based on principal component analysis and linear
discriminant analysis, and CNN is proposed. The classification of subjects is
done using machine learning classifiers on the children database of the same
session and cross session. Further, the work is extended using convolutional
neural network (CNN) in which we have proposed our own optimized model
with data augmentation used to compare the machine learning and deep learn-
ing classifiers on our database.
The major contributions of the proposed work are as follows.
1. Due to the nonavailability of reference databases for children below 6 years,
the collection of longitudinal databases of children faces itself is a great
challenge. In the proposed work, we have captured the face images of tod-
dlers with the mobile camera of resolution 20 MP, with consent from their
parents in two sessions. Time period between two sessions is 2 months to
1 year. In the same session, 730 images of 81 toddlers are taken. In the sec-
ond session, 485 images of 48 toddlers are captured.
2. In this chapter, we are proposing feature extraction using PCA, LDA, and
CNN approaches on the facial images and their comparative study. In PCA
and LDA approaches, we have applied different machine learning tech-
niques for classification of subjects, such as Support Vector Machine
(SVM), Logistic Regression (LR), Gaussian Naive Bayes, K-Nearest
Neighbors (KNN), Decision Tree, and Random Forest. In CNN, feature
extraction is done by convolution layers and classification is done by dense
layers.
 Machine learning approach Chapter 1 3

3. In this work, we implemented CNN from basic level to optimized level.

First, CNN is of three convolution layers for the same session and cross ses-
sion. Further, the CNN is modified in terms of data augmentation, and six-
layer convolution model is used with L2 kernel regularization and batch
normalization for enhancing the accuracy.
4. We compare the effectiveness of different feature extraction and classifica-
tion techniques in identification mode. Further, we optimize the CNN for
our children database to increase the accuracy. We compare the recognition
performance of the proposed CNN with the conventional PCA- and LDA-
based method using classification technique.

2 Face modality for children face recognition

Human beings can be recognized using its inherent biological feature’s analysis
and measurement. Science of recognizing human beings with the help of its bio-
logical features is called biometrics.
Biometric recognition is based on two prominent characteristics of human
beings:
(1) Physiological characteristics: face, fingerprint, iris, palmprint, footprint,
palm vein, ear, DNA, etc.
(2) Behavioral characteristics: voice, gait, signature, etc.
Indian biometrics market survey graph about the usage of different biometric
modalities for the year 2019 is shown in Fig. 1.
As per biometric market fingerprint is widely used for recognition of human
beings. Children’s fingerprints are tiny, and are not easy to capture. The second-
largest used biometric modality is face. Face images are easy to capture and

Indian Biometrics Market In US $ Million, 2019

54.8
27.8 80.5
307.4
Fingerprint Recognition
Facial Authentication
IRIS Recognition
Voice Recognition
Palm Recognition
Others
448.2
1679.4

FIG. 1 Indian biometric market share in US million [10].

4 Machine learning for biometrics

useful in the case of missing children. Therefore, we are using face biometrics
for recognition of children. An example of different biometrics of children from
our database is shown in Fig. 2.
Human face is a 3D model, we can recognize it by its features such as eyes,
shape of face, and color. Automatic face recognition is based on 2D photo-
graphs of a person. In 1964 and 1965, Woody Bledsoe, along with Helen Chan
and Charles Bisson, recognized human faces using computers for the first time.
Nowadays adult face recognition achieves very high accuracy in the range of
99.63% [11]. Face recognition of children is still an open challenge. All face
recognition algorithms evaluate on false negative identification rate (FNIR)
which is dependent on age. The FNIR of children is higher as compared to
adults or seniors. The comparison of FNIR and false positive identification rate
(FPIR) is given in Table 1 for various stages of child age.
Child face development: Studies from the paper by Farkas discuss that in
the first 2 years of a child face development, mouth width of child increases
whereas mouth height decreases. Mouth shape alters from “rosebud-like” to
a more adult type. Growth of facial features is very fast in the first year, less
rapid in the second year. Subsequent changes were slow and irregular from
the age of 3 to 9 years [12].

Face Footprint Fingerprint

FIG. 2 Different biometrics for recognition of children.

TABLE 1 Comparison of FNIR and FPIR of children for

different age.

Subjects FNIR FPIR

Babies 0.7 0.2
Kids 0.4 In between 0.2 and 0.05
Pre-teen 0.29 0.05
 Machine learning approach Chapter 1 5

There are other difficulties as well in recognition of children, such as they

are generally in a playful mood, it leads to expression and pose variations.
Though adult supervision and motivation helps in improved quality data cap-
ture, the attention span of young children is very limited. Only expression var-
iation is allowed during the frontal face acquisition. If any other variations such
as pose, illumination, or blurriness are observed by visual inspection of captured
images, the image needs to be reacquired [5].
Therefore, calmness during data collection is highly recommendable. Time
required for data collection is also more compared to adult data collection. Due
to these hurdles publicly available databases of children are lean.

3 Children face databases

In this section, various databases for children of various modalities are dis-
cussed here. Mostly, all of the databases are of two or more sessions. But most
of them are not available for study purposes due to security reasons.

3.1 Newborn face database

Newborn face database is the first longitudinal database collected by Bharadwaj
et al. for newborn face identification [5,6]. It consists of 34 newborns with the
age ranges from 0 to few weeks. Total images of newborns are 347. Now, this
database is extended up to 450 newborns with total images of 1200. Each baby’s
1–10 images are captured in it. It is IIIT Delhi’s database. This database will be
made available publicly soon.

3.2 Newborn, infants, and toddler’s longitudinal face

database (NITL)
Database collected by Best-Rowden et al. is of Indian children [3]. It is collected
in four sessions. Time span between consecutive sessions is of 2–6 months. It
consists of 314 subjects in the age range of 0–4 years. Altogether, 3144 images
of children are in the database. This database is not publicly available.

3.3 Children multimodal biometric database (CMBD)

The database is of IIIT Delhi, collected by Basak et al. [8]. It comprises two-
session databases. In the first session, they collected 2590 images of 141 sub-
jects and in the second session 1410 images of 118 subjects. The age span of
face image captured is 18 months to 4 years. As it is multimodal, it consists
of face, fingerprint and iris images of children. Iris and fingerprint databases
are publicly available. Face database is not publicly available due to security
reasons.
6 Machine learning for biometrics

3.4 Extended newborn face database

Siddiqui et al. collected this database from India [2]. It is a private database of
204 children. The age range of children is in between 0 and preschool. Total
images taken are 1185. This database is an extension of Newborn Face
Database.
Other databases such as CFA, CLF, UTKFace, and VADANA are private.
Most of these are not focused on children face recognition study. CFA has an
age range of 2 years to 20 years. CLF has an age range of 2–20 years, and
VADANA has an age range of 0–18 years. UTKface has an age range of
0–32 years. Publicly available databases of face are ITWCC, ITWCC-D1, Adi-
ence, and FG-NET.
In publicly available databases, FG-NET has 82 subjects. Total face images
are 1002 of age range 0–69 years. It consists of children’s face images, but it has
only one image of one particular age. We need multiple images of one particular
age to train our model. Some of the images of the FG-NET database are shown
in Fig. 3. This database has images collected from photographs of individual
subjects.
Main hurdle of study of face recognition of children is unavailability of a
public database. We collected our own database. We have collected most of
the face images of children from preprimary schools and some from neighbor-
hood. We have taken permission from preprimary schools for collection of
images. Consent from parents was also obtained regarding use of biometric
details of their children for research purposes. Children’s images were captured
with the help of mobile cameras of resolution greater than 20 Megapixels. Data-
base is taken in two sessions. All images that are captured first time are called
same-session database. All images that are captured second time are called
cross-session database. Span of capturing images of the same person is from
2 to 8 months. The age range of children in the database is 2 months to 5 years.
In each session, approximately six images are captured for each subject.

FIG. 3 Sample images of two children row wise after time span from FG-NET database.
 Machine learning approach Chapter 1 7

To make the images of the same size, we have used 224
224 image size.
Sample images of our database are shown in Fig. 4.
Face the same session 81 subject database is collected, age group
0–5 years.
\Face\same-session: Has 510 faces in .jpg format against 81 subjects
(81 subjects * 6 (avg) face * 6, Total  486)
Face cross session 48 subject is collected, age group 0–5 years.
\Face\cross-session: Has 485 faces in. jpg format against 48 subjects
(48 subjects * 10(avg) face * 10, Total  485)
Here, Fig. 5 shows the distribution of images of each subject for same
session.
Here, Fig. 6 shows the distribution of images of each subject for cross
session.

FIG. 4 Sample images of two children row wise after time span from own database.

Number of Samples for Each Classes

25

20

15

10

0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80

subject ids

FIG. 5 Database of same-session face images of children.

8 Machine learning for biometrics

Number of Samples for Each Classes

30

25

20

15

10

0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
subject ids

FIG. 6 Database of cross-session face images of children.

4 Face recognition of children

General face recognition system consists of face images as input. Further stages
are preprocessing to make the face images suitable for different machine learn-
ing algorithms. Feature extraction is the significant step before classification.
General face recognition system is shown in Fig. 7.

Face image Face image

T
T
R
Pre-processing Pre-processing E
A
S
I
Feature Feature
T
Extraction Extraction
N
I
I
Classification N
N
G
G Performance
evaluation

FIG. 7 Block diagram of face recognition of children.

 Machine learning approach Chapter 1 9

Key point-based Techniques SURF

Local Approach
Local approach-based Techniques LBP

Children Face Linear Techniques PCA, LDA

Recognition Holistic Approach
Methods Nonlinear Techniques CNN, SVM

Hybrid Approach Local + holistic Techniques

FIG. 8 Longitudinal face recognition methods’ study.

In this study, we have compared face recognition accuracy of same-

session and cross-session data collected. Two techniques of feature extract-
ion PCA and LDA are studied in detail. For robustness of recognition algo-
rithm, fivefold cross validation and leave-one-out validation are also used.
Classification is done by different machine learning classifiers such as
Support Vector Machine, Linear Discriminant Analysis, Gaussian Naive
Bayes, K-Nearest Neighbors, Decision Tree, Logistic Regression, and Ran-
dom Forest.
Various approaches used for children face recognition in this chapter are
shown in Fig. 8.

4.1 Database preprocessing

As per the literature study of face recognition of children, preprocessing is done
manually [2]. Siddique [13] detected faces from images using the Viola-Jones
face detector and aligned using affine transformation with the intereye distance
set as 100 pixels. Further, histogram normalization and 2D order-statistic filter-
ing are also done for preprocessing.
Preprocessing steps normalize faces, make images of the same size, line up
with respect to eyes, and normalize intensities. According to the need of feature
extraction algorithm, face images are manually cropped to different sizes. Fig. 9
shows the sample of manually cropped images. In this study, gray scale conver-
sion is done for PCA and LDA algorithms and RGB images are used for CNNs.
Each subject’s cropped images (5–10) are kept in a separate folder. Finally, all
folders of subjects are kept in one database folder.
According to the study, it is observed that manually cropped images are giv-
ing good results. Therefore, we have cropped all images manually, making them
of the same size. Conversion of RGB to gray color is done in PCA and LDA
feature extraction algorithms. RGB images are used for CNN.
Visit https://ebookmass.com today to explore
a vast collection of ebooks across various
genres, available in popular formats like
PDF, EPUB, and MOBI, fully compatible with
all devices. Enjoy a seamless reading
experience and effortlessly download high-
quality materials in just a few simple steps.
Plus, don’t miss out on exciting offers that
let you access a wealth of knowledge at the
best prices!
Exploring the Variety of Random
Documents with Different Content
 Agobiado parecía Nisco bajo este capítulo de cargos; y, sin duda
por no tener su causa buena defensa, sólo pudo contestar,
atarugado y de muy mala gana, estas palabras:
—Hay mucho que hablar al auto, Catalina.
—¡Mucho que hablar!—repuso Catalina entre admirada y afligida.
—¿Para cuándo lo dejas, falso? ¿Qué menos consuelo has de darme
que la razón de lo que has hecho!
—Ahora voy muy de prisa... Mañana ú el otro...
—Sí, vete, fachendoso; vete á tomar aires de señorío, que han de
caerte como arracada en oreja de mulo. ¡Ay, Nisco! no le pido á Dios
más sino que sea verdad lo que se corre.
—¿Qué se corre?—preguntó Nisco más colorado que un tomate.
—No quiero decírtelo, porque no te acabe de sofocar el sonrojo,
que ya cerca le anda.
—¡Yo no tengo nada que me abichorne, sépastelo!
—Si tienes ó no, el tiempo lo dirá, y allá te espero.
—Pues vete asentándote ya.
—¡Sube, sube, que chimeneas más altas han caído!
—Valiérate más mirar por lo tuyo, Catalina, que meterte en la
hacienda del excusao... Y ya que me haces hablar, diréte que bien
poco había que fiar de tus quereres, cuando, por volver yo la
espalda, estás dando cara á otro... y de Rinconeda, para mayor
inominia.
—Es verdad: uno de allá me pretende desde que tú me dejaste, y
hasta sé que va á pedirme.
—Pues dile que sí, y con eso tendrás todo lo que necesitas. Yo no
he de ponerte pero, que fenecida eres por lo que me toca.
Este brutal alarde de desdén produjo en Catalina el efecto de una
puñalada.
—Lo que yo necesito, Nisco, para mi venganza—contestó, con los
ojos arrasados en lágrimas,—son dos corazones, ó no haber querido
nunca con el que tengo.
Y como, al hablar así, la ahogaran los sollozos, se llevó el delantal
á la cara y apoyó el hermoso busto contra la pared.
Nisco intentó decir algunas palabras en disculpa de lo que tan mal
efecto produjo en Catalina; pero no acertando á coordinar una mala
frase de consuelo, cortó por lo sano largándose á buen andar.
No se sabe, á punto fijo, á dónde iba Catalina cuando se encontró
con Nisco; pero está fuera de duda que, no bien le perdió de vista
en la solemne ocasión mencionada, retrocedió presurosa, y,
andando, andando, llegó á una casita, punto más que choza, baja,
muy baja, pobre, muy pobre, arrimada, como de misericordia, al
paredón más alto de unas ruinas antiquísimas, sin dueño conocido,
que poco á poco se iban desmoronando, hacia el extremo occidental
de Cumbrales.
Fuera de la casuca, junto á su puerta entreabierta, y sentada en
un canto arrimado á la pared, estaba una vieja, flaca y
apergaminada, acabando de remendar, á duras penas, por falta de
vista y de pulso, un refajo negro con hilo blanco teñido en el sarro
de una sartén que en el suelo yacía boca abajo.
En uno de mis libros he dicho yo que no hay en la Montaña una
aldea sin su correspondiente bruja. Pues la vieja de quien voy
hablando era la bruja de Cumbrales. Temida de los más y aborrecida
de muchos, raro era el día sin quebranto para la pobre mujer: unas
veces por que con sus artes no hacía los imposibles que se le
pedían; otras porque se la creía causante de todo lo malo que
acontecía en el lugar. Así es que vivía de milagro, porque lo era, y
grande, vivir, como ella, de limosna, con semejante fama, tantos
años encima y tales tratamientos. ¡Qué diferente vida la que pasó
con su marido! Entonces trabajaban unas tierras, tenían una vaca y
moraban en buena casa en el mejor de los barrios. Alternaban en
todo trato lícito y honrado con sus convecinos, y hasta eran, él por lo
diestro en encambar carros, y ella por lo famosa en preparar el lino,
muy solicitados y bien retribuídos de las gentes. Pero, á lo mejor de
la vida, acabóse la del hombre, de la noche á la mañana; y ya bien
entrada en años la mujer, sola y sin valimiento, tuvo que dejar la
poca labranza que trabajaba y buscar un agujero en qué albergar el
achacoso cuerpo, hasta que la última enfermedad le abriera la
sepultura. Halló la casuca solitaria que la muerte de otro pobre, tan
pobre y desvalido como ella, había dejado abandonada; y allí se
metió con el mísero ajuar que le quedaba. Mientras pudo trabajar,
como obrera ganaba la borona que comía; pero agobiáronla los
achaques, y tuvo que vivir de limosna. En la Montaña no se muere
nadie de hambre: esto es sabido y probado, porque el más
miserable parte un mendrugo con el vecino que carece de él; pero ni
en la Montaña ni en región alguna del mundo, engorda la limosna á
quien de ella vive, por abundante que sea. Hay siempre en el
corazón humano fibras indómitas á prueba de virtudes, y raro es el
bollo regalado que no produce un coscorrón al hambriento.
Como según el tiempo iba pasando íbase la buena mujer
enflaqueciendo, y sólo se la veía en el lugar para pedir limosna en
casa de don Pedro Mortera ó en la de don Juan de Prezanes, para ir
á misa cada día de fiesta, ó de paso para la villa, á donde hacía
también sus excursiones á menudo; y como no se concibe entre las
gentes campesinas una mujer vieja, flaca y encorvada, sola, pobre y
taciturna, sin tratos con el demonio, cata á la de mi cuento, de la
noche á la mañana, bruja con todas sus consecuencias, sin lo que el
supuesto no tendría maldita la gracia. Dieron en morirse muchas
gallinas en aquel entonces y en faltar otras del gallinero, alguien vió
plumas junto á la choza de la pobre mujer; y esto bastó para que,
creyendo á la bruja aficionada al averío, la llamaran las gentes de
Cumbrales la Rámila; el cual mote le quedó por nombre... también
con todas sus consecuencias.
No era Catalina de las más supersticiosas del lugar, ni, en su
opinión, tan mala la bruja como las gentes creían: sobraba
entendimiento á la buena moza para no tragar los absurdos vulgares
como pan bendito; pero faltábale instrucción y era aldeana, y, por
ende, llegaba hasta dejar las cosas en «veremos,» lo cual era rayar
muy alto en la materia. Quiero decir con esto que al acercarse á la
Rámila, impávida y resuelta, iba tan lejos de tenerla por santa, como
por confidente del demonio.
Llevábala á casa de la bruja, no la reflexión, sino un vértigo del
espíritu, obra del reciente choque de su pasión generosa con el
desdén brutal de Nisco. Sentía el dolor de la herida en lo más hondo
del corazón, y buscaba algo que debía de haber para calmarle,
aunque fuera el triste placer de la venganza. Sospechaba, pero no
conocía, la verdadera causa del desvío de su novio, é ignoraba qué
le dolía más, si el recelo de que otra mujer se le llevara, ó el temor
de perderle ella; qué era lo que con mayor urgencia necesitaba, si
reconquistar el bien perdido, ó hacer que la otra no le adquiriera
para sí. En cualquiera de estos casos, ¿cómo, cuándo y por qué
camino, si no tenía otra luz para orientarse en el abismo en que se
hallaba que el notorio desvío del ingrato? Filtros, adivinaciones,
sortilegios, hechicerías por arte del diablo, noticias ciertas, consejos
sanos por modo lícito y natural, y, en último extremo, ocasión de
desahogo del pecho acongojado, casi en el secreto de la confesión...
Todo esto, ó mucho ó algo de ello, podía encontrarse en la choza de
la Rámila; y por eso iba Catalina al antro de la bruja; y por eso,
cuando se halló delante de ella, no supo explicar lo que quería. Al
último, refirió la historia de sus desventuras, que es por donde debió
de haber empezado. Lloró mucho, y la Rámila la dejó llorar hasta
que ya no hubo lágrimas en sus ojos ni quejidos en su pecho.
 IX
LAS PRIMERAS CHISPAS

uien haya visto el mar después de un temporal deshecho,

tenderse en la playa, rumoroso y ondulante, lamiendo
manso lo que antes azotó iracundo, y trocados en arrullos
sus bramidos, tendrá una idea del estado de don Juan de
Prezanes, horas después de la borrasca que el lector
presenció. En el fondo de aquella alma, transparente como el más
limpio cristal, no se descubría un solo rencor. Remordimientos y
heridas, sí. Remordimientos, porque su buen sentido, libre de las
cadenas de la pasión, decíale que para defender su derecho no
había necesidad de enfurecerse como él se enfurecía, dando con ello
monstruosas proporciones á lo que de suyo era, en sus comienzos,
pequeño y baladí, y rebajando lastimosamente el nivel de su propia
dignidad. Hasta concedía, cierto derecho á su amigo para
desaprobar sus viejas alianzas con determinadas gentes, porque á la
vista estaban los muchos males qué habían producido al pueblo, y
los grandes disgustos que á él le habían acarreado, sin un solo
beneficio; pero nada más que cierto derecho: no en la amplitud en
que su compadre se le tomaba y le comprendía. Y por aquí andaba
el punto doloroso. Grabadas estaban en su memoria palabras de
acero que, en el calor de la disputa, se le habían lanzado al corazón,
sin respeto alguno á la honradez de sus intenciones ni á la
enfermedad de su temperamento, causa eficiente de los arrebatos á
que de continuo se entregaba, contra sus deseos y propósitos.
Apenábale el dolor de estas heridas, hechas sobre frescas
cicatrices, y, por lo mismo, doblemente dolorosas; pero curábalas
con la reflexión de que otras tales había causado él en la batalla;
con el bálsamo del perdón implorado por su contendiente, y con la
esperanza de que la reciente reyerta sería la última entre él y el
amigo á quien más quería en el mundo. Pero, hecha entre los dos la
definitiva liquidación de agravios, y vuelto cada cual á su tienda, que
no se le obligara á él á dar el primer paso en la nueva y edificante
vida que ambos habían de hacer en adelante. Era él el más
desgraciado, el más solo y el más ofendido de los dos, y no podía
arraigar la reconciliación en el fondo del alma, si se cimentaba en
tan palmaria injusticia. En cambio, si, libre y espontáneamente, su
amigo, ó cualquiera de la familia de su amigo, diera ese paso
decisivo, ¡con qué ansia le saldría al encuentro y le recibiría en sus
brazos, y firmaría entre ellos, con el olvido de todos los agravios,
eternas y venturosas paces!
Así pensaba, arrimado á la mesa de su despacho, y en la palma
de la mano reclinada la descolorida frente, mientras Ana, sentada á
su lado y leyéndole los pensamientos (porque los hombres como don
Juan de Prezanes, no solamente son niños toda la vida por su afición
á las cosas pequeñas, sino por su propensión á meditar á voces), le
prometía lo que él deseaba y mucho más.
—Por si te equivocas—llegó á responder su padre,—bueno será
que hagas el sacrificio de acompañarme esta tarde. La soledad es
mala consejera, hija mía.
Lo que en rigor buscaba don Juan al tener á Ana toda la tarde á
su lado, era el convencimiento de que si alguno de la otra casa iba á
visitarle, lo haría por iniciativa propia, no por sugestiones, y quizá
ruegos, de su hija, quien, hablando en rigor de verdad, en lo tocante
á que se cumplieran sus promesas, no las tenía todas consigo.
En esto apareció Pablo en el corral, y á don Juan de Prezanes, al
verle, se le escapó del pecho un rugido de gozo.
 —¿Lo ve usted!—le dijo Ana sin disimular el grandísimo que ella
sintió al mismo tiempo.
No podía, en aquella ocasión, enviarse al abogado de Cumbrales
emisario más de su gusto. Sin embargo, recibió al mozo con
estudiada seriedad. ¡Hasta en los menores detalles son niños los
hombres quisquillosos!
—¡Ya es hora de que le veamos á usted por acá, señor don Pablo!
—dijo, respondiendo al saludo cordial del joven.
—¡Como, á veces, no sabe uno en qué peca más!...—replicó éste.
—Como andaban ustedes de monos—añadió Ana,—habrá creído
Pablo que no estaba el horno para rosquillas.
—Cabalmente,—dijo Pablo con la mayor sinceridad.
—¿Es decir—repuso don Juan con mal disimulada vehemencia,—
que, por tu gusto, me hubieras visitado alguna vez?
—Pues como de costumbre: todos los días.
—¿De manera que al verte hoy á mi lado, sin miedo de que este
ogro te devore, debo suponer que, en tu concepto, esos monos ya
no existen?
—Justo y cabal.
—Y ¿quién se lo ha dicho á usted, caballerito?—preguntó aquí don
Juan de Prezanes, dejando traslucir, en la mal fingida dureza de la
pregunta, el propósito que ésta envolvía.
—¿Quién podía decírmelo sino mi padre?—contestó Pablo
sencillamente, mientras Ana iba con anhelante mirada del uno al
otro interlocutor.
—¿Luego su señor padre de usted—continuó don Juan,—no se
opone á que se me haga esta visita?
—Como que traigo el encargo de brindarle á usted á tomar
chocolate con él... digo, si no le queda á usted algún resentimiento...
—¡Qué cosas tiene tu padre, hombre!—exclamó el nervioso
abogado, llenando todo su pecho de aquella especie de aura
bienhechora que esparcía en la estancia el recado de su amigo.—Yo
no tengo resentimientos con nadie, y mucho menos con vosotros...
¡Vayan al diablo, si es preciso, esas cosas que no me interesan dos
cominos y tan malos ratos me dan! Armonía con todos y sosiego en
el hogar, Pablo: esto es vivir; que no está uno contento de sí mismo
mientras se halle en guerra con los demás. Con que raya por debajo,
y no volvamos á hablar del asunto.
Así comenzó á entregarse don Juan de Prezanes á la pasión de
regocijo que le solicitaba rato hacía, creyendo á salvo ya todos los
fueros de su amor propio. ¡Cuántas veces se había hallado en
idéntica situación!
Preguntó á Pablo muchísimas cosas, sin orden ni concierto,
mientras se paseaba á lo largo de la estancia; y su ahijado, muy
cerquita de Ana, tan pronto contemplaba la labor que ésta tenía
entre manos, como miraba las nubes por la ventana abierta.
Llegando á preguntarle por la vida que traía, respondió el mozo en
breves palabras, porque era escasa la materia y á la vista estaba en
todo el lugar. Á lo que dijo don Juan de Prezanes:
—Pues mira, hombre: si he de decirte lo que siento, tratándose
de un muchacho de tus condiciones, no me gusta ese modo de vivir.
Bueno que tomes apego á las faenas del campo; bueno, en fin, que
trates de ser un labrador hecho y derecho, pues que en eso has de
venir á parar, según las trazas; pero en lo demás... en lo demás,
Pablo, deseara yo que anduvieras con mucho tiento. Quiero decir
que guardaras las distancias un poco más de lo que las guardas.
Estás llamado á ser, por tu posición, la persona principal de
Cumbrales, y esta circunstancia te impone ciertos deberes. Conviene
que estas gentes te vean, pero á tiempo y no á todas horas y en
todas partes; que te traten, pero que no te manoseen, si mañana
han de tenerte en algo y ha de aprovecharles tu importancia; que
los aventajes en todo lo bueno, pero que no intentes igualarlos en lo
que pueda desautorizarte á sus ojos. Natural es que juegues á los
bolos cada día de fiesta con los mozos de tu edad; pero no lo es
tanto que bailes á su lado con las mozas en las romerías, y mucho
menos que te agregues de noche á sus rondas y parranderas. Bien
sé yo que á los años hay que darles lo que es suyo, y que aquí no se
halla otra cosa mejor que eso para lo que pide la mocedad; pero
considera que hay que estar á las duras y á las maduras, y que las
duras de esos pasatiempos pueden ser muy graves para tí, sobre
todo si tratas de buscar el desquite. Cuando menos, esas
costumbres tienen de malo el que su centro natural es la taberna; y
en la taberna, Pablo, siempre hace un desdichado papel la levita.
Ana atajó aquí á su padre, temerosa de que el mozo se resintiera
de la homilía que le estaban enderezando, y dijo á éste en el tono
zumbón que tan bien sentaba á la traviesa joven:
—No dirás, Pablo, que, para improvisado, es malo el sermón de tu
padrino.
—¡Sermón no!—saltó don Juan, apresurado.—¡Líbreme Dios de
meterme en esas honduras!... ¡y cuando aún me rasco los
coscorrones de uno muy amargo! No, hijo mío; no te predico ni trato
de molestarte: digo sencillamente lo que siento, porque te quiero
mucho y ha venido á pelo. Y con esta advertencia, y ya que lo tengo
entre los labios, he de decirte, para concluir, que no me disgusta
Nisco, el hijo del alcalde: es mozo de juicio, aunque pudiera ser
menos presumido y valdría más; pero ¿por qué es tan amigo tuyo?
De un tiempo acá, no os separáis. Ya sé que sois camaradas de la
infancia; pero me parece demasiada intimidad la que os une para lo
diversas que son vuestras educaciones. Lo probable es que se te
pegue á tí su tosquedad, y no á él tu cultura.
—Pues ¡vea usted lo que son los juicios humanos!—respondió
Pablo, mientras Ana atendía al diálogo con vivísima curiosidad,
particularmente desde que su padre había nombrado al hijo de
Juanguirle.—Precisamente porque se le pegue eso que usted ha
llamado mi cultura, anda Nisco tan cerca de mí un tiempo hace.
—Asegúranlo por ahí—dijo Ana con malicia;—y es raro el caso.
—Pues yo le encuentro lo más natural del mundo—replicó Pablo.
—Nisco es un mozo trabajador y muy despierto, harto más
inteligente en su oficio que la cáfila de zopencos que le critican.
Acompañábame al cierro del monte; me enseñaba lo que yo no
sabía, y me ayudaba, y me ayuda, con su inteligencia, y hasta con
sus brazos, en aquellas faenas que están á mi cuidado exclusivo
desde que el cierro se roturó. Escribía mal y leía peor, porque no le
enseñaron otra cosa. Andando en mi casa y descansando en mi
cuarto muy á menudo, vió libros sobre la mesa y quiso que le leyera
algunos. Eran cuentos agradables; gustáronle y deseó saber leerlos
como yo se los leía, para penetrarlos mejor; después deseó también
soltarse en la escritura, y comencé á darle lecciones de uno y de
otro con mucho gusto, porque yo observaba el muy grande con que
él las recibía. Y así estamos. No llegará á ser nunca gran pendolista
ni un lector de nota, porque el oficio que trae es incompatible con
esos primores; pero adelanta, se sujeta mucho, despiértanse en él
aficiones y gustos superiores á su condición, y esto es muy
recomendable; y, sobre todo, padrino, Nisco es lo mejor del pueblo
para los fines que usted me predica, y á Nisco me agarro.
—¡Bien vuelta, muchacho!—contestó don Juan hecho unas
castañuelas;—lo cual no quita que el pobre mozo, por el camino que
va, se queda tan lejos de ser hombre culto, como de las labranzas
de su padre; y ¡entonces sí que le tocó la lotería! De modo que
tampoco es Nisco lo que te conviene para mucho tiempo.
—Pues usted dirá,—repuso Pablo, con una formalidad tan
noblota, que hizo reir á don Juan y á su hija.
—¿Es cosa resuelta—preguntó el primero,—que abandones la
carrera que seguías en la Universidad?
—Resuelta.
—Pues entonces, ¿qué demonio te diré yo, hombre? Si has de
vivir perpetuamente en Cumbrales; si á la edad que tienes no sacas
de tí mismo recursos para hacer la vida entretenida y llevadera, sin
necesidad de tocar los extremos peligrosos de que antes te hablé; y
si, á pesar de estos inconvenientes, has de ocupar con el decoro
debido el puesto que aquí te corresponde, sólo veo un medio de
conseguirlo: cásate.
¡Cosa rara! Ana, que seguía con la vista á su padre mientras
hablaba así, no bien oyó su última palabra, se puso roja como una
amapola, bajó la cabeza sobre la labor, y no encontraba postura
cómoda en la silla. Cuanto á Pablo, sin duda porque no había otra
mujer que Ana allí, volvió los ojos hacia ella... y rojo se puso
también al choque de su mirada curiosa con la turbada y eléctrica de
la hermosa joven. ¡Singular efecto de una palabra vulgar y prosáica!
Ni siquiera tuvo el color de la malicia, puesto que don Juan de
Prezanes, cuando la pronunció, estaba arrimado á la ventana y
mirando maquinalmente las nubes del horizonte.
 Al volverse luégo hacia Pablo en demanda de su respuesta, ya era
éste dueño de sí.
—Con que ¿qué te parece mi proposición?—dijo al mozo.
—Que tiene mucho que estudiar... y que se estudiará, padrino,—
respondió Pablo con singular firmeza.
—Así me gustas, ahijado; y de tal modo, que si te decides por la
afirmativa, me brindo á ser tu padrino de boda... Entre tanto, basta,
si os parece, de conversación, y vamos á tomar ese chocolate que
me ofrecen en tu casa. Créeme que tengo grandísimos deseos de
ver á tu madre y á tu hermana, pobres víctimas inocentes de
nuestras majaderías.
Dispúsose Ana á complacer á su padre; y con tal apresuramiento
y tan de buena gana, por lo visto, que al recoger los avíos de
costura en su primorosa canastilla, por cada cosa que guardaba ¡ella
á quien jamás igualaron prestidigitadores en destreza y agilidad!
dejaba caer media docena. Mas allí estaba Pablo, que se desvivía
con desusado afán por recogerlas en el aire y ponerlas en las
blancas y finas, pero desatinadas, manos de la azorada joven.
 X
LOS HUMOS DE NISCO

isco llegó á casa de Pablo después que éste había entrado

en la de don Juan de Prezanes. Subió el hijo de Juanguirle
sin llamar, como era su costumbre, derecho al cuarto de su
amigo. Al pasar por delante de la puerta de la sala, oyó
que le decían desde el fondo de ella:
—Pablo ha salido.
Era la voz de María. Conocióla el mozo, retrocedió dos pasos y se
colocó en el hueco de la puerta, sombrero en mano, enfrente de la
joven, que cosía sentada cerca del balcón.
—En ese caso—dijo Nisco algo atarugado y después de hacer una
exagerada reverencia,—me marcharé.
—Si no quieres esperarle...—añadió María, respondiendo á la
reverencia con una sonrisa.
—Pues le esperaré, ya que usted se empeña,— replicó Nisco. Y se
sentó, con mucho tiento y grave parsimonia, en la silla más cercana.
María volvió á sonreirse, y continuó cosiendo.
Nisco, con el sombrero en la diestra y ésta sobre la rodilla,
atusándose el pelo con la otra mano... no tuvo por entonces más
que decir; pero, en cambio, clavó la vista de sus ojos negros, un
tanto dormilones, en María; y largo rato estuvo como hechizado,
viendo aquellas manos, blancas y rollizas, pasar y repasar la aguja, y
estirar la seda para afirmar la puntada; el brillo de aquel abundoso
pelo negro; la transparencia de aquel cutis de rosa; la luz de
aquellos ojos húmedos, y, en suma, el palpitar, apenas perceptible,
de toda aquella riqueza escultural, á cada movimiento del ágil brazo.
Digo yo que todas estas cosas contemplaría Nisco, porque, según
la expresión que brillaba en sus ojos, más bien parecía sorber con
ellos á la joven que mirarla. De vez en cuando echaba ésta una
ojeada firme y serena al mozo; y entonces el hijo del alcalde de
Cumbrales no cabía en la silla.
Iban así corriendo los minutos, y Pablo no venía ni se marchaba
Nisco, ni entre éste y María se cruzaba una palabra. Don Pedro
estaba en el portal en plática con don Valentín, que había ido á
visitarle «por un motivo muy urgente,» al decir del veterano; y su
señora andaba disponiendo el agasajo con que habían de celebrarse
las paces consabidas, si don Juan aceptaba la invitación que se le
había hecho. De manera que los actores de la sala no podían
esperar de afuera incidentes que rompieran la monotonía de la
escena: tenían que romperla ellos mismos, si no la hallaban muy
divertida.
Quizá pensando así, dijo, al cabo, María mientras examinaba el
largo pespunte que acababa de hacer, deslizando la tela entre los
dedos de sus manos:
—Y ¿cómo vamos de lecciones, Nisco? ¿Adelantas mucho?
Ya ve el lector que no podía decirse menos que esto tras un
espacio tan largo de silencio.
—No tanto como yo quisiera,—respondió Nisco mal y á
trompicones, por lo mismo que tenía empeño en responder al caso y
con voz bien afinada. Faltábale el hábito de hablar con señoras y
bajo cielo-raso, y esto ofrece gravísimas dificultades cuando se trata
de soltar de pronto la voz, una voz ajustada al diapasón de la
naturaleza agreste, en un centro reducido y sonoro y delante de una
dama á quien se desea agradar.
María, sin fijarse gran cosa en los desentonos de Nisco, volvió á
decirle:
 —Es algo rara esa afición que te ha entrado de pronto á esas
cosas.
—Rara, ¿eh?—contestó el mozo, más atrevido ya y menos
desaplomado.—¿Cree usté que es rara? Pues quizaes lo sea, si bien
se mira... y quizaes no, por otra parte.
—Ahora sí que no lo entiendo, Nisco,—díjole María riéndose muy
de veras.
—Pues yo le diré á usté—añadió el mozo muy animado con la
regocijada actitud de su interlocutora.—Para el oficio que traigo, no
es mayormente al auto el pulimento que deseo en el porte y genial
de la persona, si uno ha de estar de sol á luna, fijo en la brega del
campo, sin más aquél de cubicia que lo que tiene á la vera; pero si,
pinto el caso, al hombre, por su luz natural ú roce con quien la
tenga, no le basta eso solo... y quiere, es un decir, quiere... vamos,
valer algo más de lo que vale, bien séase por la fantesía del valer ú
por tomar alas con qué volar un poco... porque sienta allí dentro...
vamos, quien se lo mande, como el otro que dice... en fin, señorita,
el saber no ocupa lugar; y yo quisiera, si no ofendo, saber algo más
de lo que sé, por valer algo más de lo que valgo.
—Bien pensado está todo eso—replicó María muy afable;—pero
algún motivo especial habrá para que tan de repente te haya
entrado ese deseo.
—Pues ya se lo he dicho á usté; y si es cierto el refrán de «no con
quien naces, sino con quien paces...»
—¿Luego tu frecuente trato con Pablo es la causa de todo?
—Puede que lo sea,—respondió Nisco, contoneándose en la silla y
atusándose mucho el pelo.
—Pero ¿cómo ese deseo no te ha asaltado hasta ahora, siendo así
que á mi hermano le tratas desde niño?
Con esta pregunta le entró al mozo tal hormigueo, que en un
buen rato no le dejó sosegar.
—Consiste eso, señorita—logró responder al fin, aunque á
tropezones,—en que los tiempos, al respetive que corren, van
cambeando... y, por otra parte, los ojos de la cara no lo ven todo de
un golpe.
 —¿Es decir que los tuyos han visto, de poco acá, algo que no
habían visto antes?
—¡Cátalo ahí!—exclamó Nisco, sudando de congoja y medio
turulato.
—Pues á eso quería yo venir á parar—añadió la joven, como si se
gozara en la angustia del aldeano.—¿Es decir que porque ahora ves
algo que antes no has visto, deseas valer más de lo que valías?
—¡Eso, eso!—gritó aquí el mocetón, rojo, cárdeno y amarillo, todo
á la vez.
—Pues mira tú cómo la gente se equivoca en la mitad de lo que
piensa—añadió María, esgrimiendo ya con verdadera saña, contra el
acorralado galán, las armas de su travesura, que aunque no eran
muchas, en el desapercibido é inerme muchachón causaban heridas
tremendas:—yo te creía el mozo más feliz de Cumbrales, con una
novia tan hermosa como Catalina; tan conveniente para tí...
Estas palabras fueron para Nisco un golpe en mitad de la nuca.
Tardó en volver del atolondramiento en que cayó; pero volvió al fin,
remilgóse y dijo:
—Relative á este punto, crea usté que hay sus mases y sus
menos.
—Ya lo supongo por lo que has hecho; pero precisamente en eso
que has hecho está lo que no se comprende. Catalina es la mejor
moza de la comarca.
—Esa fama tiene,—respondió Nisco con desdén.
—Y bien merecida. Cuéntanla muy enamorada de tí.
—Bien pudiera ser,—dijo el rústico galán, con una sonrisilla
vanidosa en que se pintaba la alta idea que de su propio valer tenía
el hijo de Juanguirle.
Sonrióse también María, y continuó:
—Es rica entre las de su clase.
—No diré que no lo sea.
—Tiénenla por hacendosa.
—Pshe...
—Y es lista y de mucho juicio.
—Podrá ser.
 —Pues si todo eso es Catalina, ¿dónde puedes haber visto tú cosa
que más valga ni que más te convenga?
Otro golpe en la nuca para Nisco.
—Onde está quien más vale que Catalina—logró decir el mozo,—
bien lo sé yo. Si me conviene ú no me conviene más que la otra,
también lo sé... Si se me dirá que sí ú se me dirá que no... ahí está
el ite de la cosa; porque, hablando en verdá, si la merezco ú no la
merezco, caso es de pleitearse mucho.
—Eso prueba, Nisco, que has puesto los ojos muy en alto.
—Confieso que sí; pero sin culpa mía, porque los ojos se van
detrás de lo que apetecen, sin pedirle al hombre su parecer. Lo que
decir puedo es que, desde que ví eso tan alto, ando buscando el
modo de subir allá, siquiera para decir «aquí estoy» en la solfa en
que debe decirse; cosa que al presente no sé... ¡que si lo supiera!...
Interesábale tanto á la joven la conversación en que se había
empeñado con el bueno de Nisco, que ya no cosía. Apoyando sus
brazos en la almohadilla que sobre sus rodillas tenía, jugueteaba con
la tijera y mordía una hebrita de seda, cuyo extremo suelto asomaba
húmedo entre sus labios frescos y rojos; miraba al mozo con no
disimulada curiosidad, y estudiaba en él las impresiones que iba
causándole el interrogatorio á que le tenía sometido; interrogatorio
que acaso no hallen del todo verosímil las damas del mundo
elegante (si entre ellas las hay con el mal gusto de leerme), la crítica
superficial y cuantos desconocen el modo de ser de estas gentes
montañesas. En pueblos como Cumbrales, se sabe en cada casa lo
que ocurre en las demás; y en salones como el de don Pedro
Mortera, donde la familia cose y habla y reza, muy á menudo se
oyen relatos harto más insubstanciales y pesados que la amorosa
cuita del hijo del alcalde; porque allí van los pobres á llorar las
suyas; los atropellados á pedir consejos... y más de una vecina á
remendar la saya ó á que le corten una chaqueta ó le escriban una
carta para el hijo ausente. Además, los unos son colonos de la casa,
otros han servido en ella, y todos se codean en la iglesia, en la calle
ó en el concejo. De esta mancomunidad de intereses y de afectos,
nace la íntima cohesión, algo patriarcal, que existe entre todas las
jerarquías de un mismo pueblo; cohesión que, no por ser fecunda en
ingratitudes, rencillas y disgustos, deja de existir en lo principal,
afirmada en el inquebrantable respeto de los de abajo á los de
arriba, y en la cordial estimación de éstos á los de abajo. Así se
explica que María, con su genio parado, poco expansiva, y corta y
desconfiada en su trato con gentes extrañas y de su esfera, aun sin
el estímulo de la segunda intención que algún malicioso pudiera
suponer en ella, se mostrase tan animosa y confiada con Nisco, á
quien, además, estaba viendo en su casa desde que éste era
muchacho.
Volviendo ahora al interrumpido diálogo, sépase que á la
vehemente, apasionada y casi dramática exclamación del romántico
hijo de Juanguirle, contestó María, mirándole de hito en hito:
—También ese propósito es juicioso y no deja de favorecerte
mucho; y tanto podías estirarte tú, que á poco que ella se bajara...
—¿Cree usté que se bajaría?—preguntó Nisco anheloso,
corriéndose una silla más hacia la joven.
—Hombre, de todo se ha visto en el mundo—contestó María,
parándole con el fulgor de sus ojos rasgados.—Pero se me figura á
mí que para que ella se baje todo lo que es necesario, y por mucho
que lo desee, hay un inconveniente muy grande y muy difícil de
vencer para tí. Puede creer esa persona que te llevan hacia ella
miras interesadas. Esto, por de pronto. Después... y aquí está lo
grave, Nisco: si dejaste de la noche á la mañana á Catalina, que
tanto vale y tanto te quería, ¿cómo haces creer á... esa otra persona
que la quieres más que á Catalina?
Aplanó al mozo este argumento. Meditó unos instantes, y replicó:
—La verdá es que si no se me cree por mi palabra ú no se me
mandan los imposibles, para que, haciéndolos yo, se vea la buena
ley del querer...
Sonrióse María y atajó al mozo de esta manera:
—Te advierto, Nisco, que nos hemos colocado en el peor de los
casos imaginables. Bien pudiera ella no reparar en tales tropiezos; y
eso nadie lo sabrá mejor que tú que la conoces. Todo depende del
carácter y de los humos que tenga esa señora... porque yo creo que
es una señora, por la altura en que la has puesto.
 —¡Vaya si lo es, caramba!—exclamó Nisco, con una delectación
indescriptible.
—Y... ¿la has hablado alguna vez?—preguntóle María con un
poquillo de cortedad.
Aquí le entró á Nisco el hormigueo de otras veces; volvió á
ponerse tricolor, volteó el sombrero entre las manos, se atusó luégo
el pelo, carraspeó mucho, y dijo al fin, con voz ronquilla y
destemplada, porque el corazón le daba en el pecho cada porrazo
que le aturdía:
—¿Que si la he hablado!... Muchas veces... miento: ninguna... es
decir, para que el diablo no se ría de la mentira: hablarla de veras,
una sola.
—Pues mira, ya es algo eso. Y ¿qué cara te puso cuando la
hablaste de veras?
—¡Como el sol de los cielos, porque así es la suya!
—¿Dijístele algo de lo que deseabas?
—Yo creo que sí... ó puede que no, aunque pretender, pretendílo;
pero le entran á uno en esos trances tales congojas y malenconías, y
unos trasudores, y siéntense unas ansias en el pecho, y pónense
unas telas en los ojos, que por aquí va el hombre con la palabra, y
por allá va el su pensamiento.
—Con tal que ella te entendiera... ¿sabes tú si te ha entendido?
Trocóse en fuego la timidez de Nisco, y respondió impetuoso:
—Diera este brazo por saber que sí; que tal me miraron sus ojos
y tal me habló con su boca, que luceros de la noche y sinfonías de la
gloria me parecieron. ¡Qué señales fueran mejores de que lo alto se
abajaba!
—¿Conózcola yo, Nisco?
—¡Como al mesmo personal de usté!
—Pues, hombre, para lo poco que falta ya, dime quién es.
Quedóse aquí Nisco como quien ve visiones, con los ojos
encandilados, la boca abierta, cárdeno el semblante y creo que
hasta sin pulsos.
En esto se oyó ruido en el corredor, y Ana y Pablo entraron en la
sala un instante después. Ana llegó á ver la escena tal como quedó á
la última palabra de María. Pablo, al reparar en su amigo, le
preguntó:
—¿Me esperabas, eh?
—No... sí... digo, creo que no.., es decir, puede que sí,—respondió
Nisco.
—¡Hombre, parece que estás atolondrado! Pues mira—añadió
Pablo mientras Ana y María se abrazaban y salían juntas al balcón,—
perdona por esta tarde, que estoy muy ocupado, y vuélvete á la
noche un rato, como de costumbre... si quieres.
Nisco, que necesitaba aire fresco, despidióse y salió de la sala
hecho un palomino. Junto á la escalera halló á don Juan de Prezanes
que subía con su compadre, el cual llamaba á su mujer á voces para
avisarle la llegada del amigo. Cerca de la portalada alcanzó el mozo
á don Valentín, que iba á salir también. El veterano, mientras
zarandeaba el casaquín y se sonaba las narices con ímpetu, gruñía y
murmuraba. Nisco le oyó decir con ira, mientras levantaba el
picaporte del postigo:
—¡Sabandijas!... ¡Servilones!...
No fué Nisco en derechura á su casa: estuvo oreándose la cabeza
y los pensamientos largo rato por brañas y callejos. Pasando por una
encrucijada, vió venir á Catalina. Irguióse altivo al emparejar con
ella, y observó que traía la cara más risueña y el andar más resuelto
que horas antes.
Y díjole la moza al cruzarse con él:
—¡Híspete, pavo, que ya te pelarán!
Á lo que respondió Nisco, mirándola por encima del hombro:
—Taday... ¡probeza!...
 XI
APUNTES PARA UN CUADRO

ien corrida era ya la media tarde cuando despertó don

Baldomero, porque fué Sidora á levantar la mesa y le dió
en la cara con el mantel al echársele debajo del brazo.
Incorporóse el hombre lentamente, bostezando mucho y
con grande clamoreo; se desperezó á sus anchas, lió un
cigarro y le encendió sin dejar de estremecerse ni de bostezar entre
chupada y chupada. Salió después del caserón, y, paso á paso, llegó
á la taberna, café de los holgazanes desidiosos de aldea.
Junto á la enrejada ventana, por donde el tabernero despachaba
á los parroquianos vergonzosos, había una mesa de basto tablero, y
alrededor de ella, sentados, hasta tres personajes que voy á
presentar al lector, porque debe conocerlos. Vestía el uno un traje
entre andaluz y de la tierra (ancha faja de estambre negro á la
cintura, calañés, chaleco desceñido, y en mangas de camisa);
andaría rayando con los treinta y cinco años; y como aún era mozo
soltero, presumía de apuesto sin serlo cosa mayor; ostentaba en la
cara anchas patillas negras; miraba gacho y hablaba ceceoso y lento,
más por alarde que por natural disposición. Había estado, de mozo,
en Andalucía, como tantos otros coterráneos suyos; y era casi el
único resto del antiguo jándalo, de los que volvían á caballo, entre
rumbo y alamares, escupiendo por el colmillo y, á creer lo que ellos
mismos aseguraban, sembrando el camino real de pañuelos de seda
y onzas de oro.
No le dió á éste gran cosa la vanidad por ese lado: en cambio, su
boca era una carnicería, hablando, mientras acariciaba con la mano
el cabo de una navaja que siempre llevaba asomando por el ceñidor,
de la gente que él había despachado al otro mundo, no más que por
tocarle con el codo al pasar, ó por no dejarle la acera libre, ó por
mirar dos veces seguidas á la mujer que por él se moría. Con esto,
con no trabajar nada, con frecuentar demasiado la taberna y con
amenazar en voz sorda, marcando mucho la sonrisa, al lucero del
alba á cada paso, llegó á hacerse temible en Cumbrales, aunque no
hay memoria de que nadie le viera cumplir una pizca de lo mucho
que ofreció en su vida, ni siquiera tomar parte en las serias
contiendas de que fueron causa sus baladronadas impertinentes, en
corros y romerías. Pretendió á todas las buenas mozas de
Cumbrales, y de todas recibió calabazas; apechugó después con la
que quedaba, y ocurrióle lo mismo. Desde entonces se hizo
protector de las mozas de Rinconeda, y esto acabó de desacreditarle
en su pueblo. Llamábanle el Sevillano, y nadie le podía ver en
Cumbrales, pero ninguno se atrevía á decírselo á la cara.
El personaje que estaba enfrente de él en la mesa era un
mocetón hercúleo, de mucha y enmarañada greña, y sobre ella,
tirado de cualquier modo, un sombrero negro de anchas alas. Estaba
despechugado y dejaba ver un cuello robusto, unido al abovedado
pecho por un istmo de pelos cerdosos, entre músculos como cables.
No era fea su cara, pero tampoco atractiva, aunque risueña. Pecaba
algo de sucia, y no eran sus ojos garzos todo lo grandes ni todo lo
pulcros que fuera de desear. La barba, no muy bien afeitada, y el
pelo, tenían un color mal determinado, entre rubio y negro, matiz
que daba una feísima entonación al rostro; el cual, sin haber en él
reflejo alguno de maldad, acusaba cierta grosería de instintos que
repugnaba. Pues este mocetón, también en mangas de camisa y con
la chaqueta al hombro, era el famoso Chiscón el de Rinconeda, gran
amigo del Sevillano de Cumbrales, y pretendiente de Catalina desde
que Nisco la había dejado. Tenía algunos bienes, y era trabajador
cuando quería; pero mucho más dado á zambras y bureos, y un
apaleador de gran fama.
El tercer personaje era un pobre hombre, de edad incalculable á
la simple vista, anguloso y acartonado, encogido y bisunto.
Aunque cargado de familia, tenía horror al trabajo duro del
campo, y se había propuesto hacerse rico de sopetón; para lo cual
contaba con dos elementos importantísimos: su ingenio y la manía
de las herencias gordas de la otra banda. De su ingenio eran
producto multitud de artefactos, para los que había pedido, con mal
éxito, privilegio de invención ó cincuenta mil duros al Estado. El más
ingenioso de sus inventos, y por el que revolvió la provincia entera
hasta conseguir que el ministro de Fomento examinara el prodigio,
fué un cepo para cazar topos en el instante en que estos minadores
sempiternos arrojan la tierra sobre el prado; pero se tocó el
inconveniente de que era preciso adivinar dónde iba á formarse la
topera para colocar allí el aparato y juzgar de su utilidad, y no hubo
ocasión de tratar del punto secundario que se mencionaba en la
breve memoria del autor, ó sea el millón y medio que éste pedía por
el invento, aunque con la obligación de construir uno á sus expensas
para las necesidades del Gobierno de la nación. En estos ensayos
empleaba la mayor parte del tiempo que pasaba en casa, serrando
listones y tabletería que atrapaba aquí y allí, aviniendo y
combinando pedazos, fuerzas y resistencias. Diéronle, por esto, el
nombre de Tablucas, y con él se le llamaba y á él respondía, casi
olvidado ya del verdadero.
No por estas atenciones descuidaba el asunto de las herencias,
que todos los días le daba no poco que hacer. Siempre tenía una ó
dos entre manos. Referían los periódicos que un archimillonario
había muerto en el Japón, supongamos; contábanselo á él los que
ya le conocían el flaco, ó lo inventaban, ó llegaba un pobre á la
puerta y le decía:—«Y ello ¿habrá algo de cierto en eso que se corre
al auto de unos treinta millones que están depositaos en el Gubierno
de arriba, por no conocerse á los herederos del montañés que los
dejó al morir en el Pirul, de Padre Santo, rey... ú cosa así?» En
cualquiera de los casos preguntaba Tablucas:—«¿Está ese pueblo en
Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.

More than just a book-buying platform, we strive to be a bridge

connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.

Join us on a journey of knowledge exploration, passion nurturing, and

personal growth every day!

ebookmasss.com