UNIVERSIDADE UNIVERSIDADE PAULISTA – UNIP CURSO SUPERIOR CIÊNCIA DA COMPUTAÇÃO
Anielli Lemes
PROCESSOS DE RECONHECIMENTO: ÍRIS, FACE E DIGITAL
São José do Rio Preto, 2013 Campus - JK
1
PROCESSOS DE RECONHECIMENTO: ÍRIS, FACE E DIGITAL Biometria
Trabalho de Reconhecimento Biométrico apresentado a Universidade Paulista Campus Juscelino Kubitschek Curso de Graduação em Ciência da Computação
São José do Rio Preto, 2013 Campus - JK
2
LISTA DE TABELAS
TABELA 1 – C – COMPARAÇÃO DE MÉTODOS .......................................... ................................................................. ............................... ........ 16 TABELA 2 - FREQUÊNCIA DE MINÚCIAS............................................ ................................................................... ............................... ........ 24 TABELA 3 - VIZINHA DE 8 PARA ALGORITMO CROSSING NUMBER ................................... ................................... 28
3
LISTA DE FIGURAS
FIGURA 1 - CONCENTRICIDADE DA TEXTURA DE ÍRIS COM A PUPILA ................................. ................................. 8 FIGURA 2- DETECÇÃO DE CÍRCULOS DE RAIO 20, UTILIZANDO T. HOUGH ......................... ......................... 9 FIGURA 3 - (A) ÍRIS COM OBSTRUÇÃO VERTICAL DOS CÍLIOS, E OUTRA REGIÃO COM POUCA INCIDÊNCIA DELES,(B) LOCALIZAÇÃO DE ÍRIS APLICANDO-SE RUÍDO GAUSSIANO. .... 13
FIGURA 4 - LOCALIZAÇÃO DA ÍRIS PROPOSTA: CENTROS E RAIOS DE PUPILA E ÍRIS. ......... 14 FIGURA 5- (A) ÍRIS EM FORMATO (64X512) NORMALIZADO EM UM RETÂNGULO. (B) ENRIQUECIMENTO DA IMAGEM APLICANDO-SE MAIOR CONTRASTE .......................... .......................... 15 ESPOSTA AO ALGORITMO PROPOSTO, DA BASE DE DADOS. .......................... FIGURA 6 - R ESPOSTA ............................ 16
FIGURA 7 - ARQUITETURA DO SISTEMA DE RECONHECIMENTO FACIAL ............................ ............................ 18 FIGURA 8 - ALGUNS TIPOS DE MINÚCIAS ENCONTRADAS NAS IMAGENS DE IMPRESSÃO DIGITAL. ............................................ .................................................................. ............................................ ............................................ ........................... ..... 23
FIGURA 9 - FILTRO DE SUAVIZAÇÃO .......................................... ................................................................ ...................................... ................ 25 FIGURA 10 - FILTRO DE CONTRASTE ............................................. ................................................................... .................................. ............ 25 FIGURA 11 - BINARIZAÇÃO – ( – (A) IMAGEM EM TONS DE CINZA, (B) IMAGEM BINARIZADA ........................................... ................................................................. ............................................ ............................................ .......................................... .................... 26 FIGURA 12 - ESQUELETIZAÇÃO ........................................... ................................................................. ............................................ ........................ 27
4
Sumário Introdução ..................................................................................................................................... ..................................................................................................................................... 7 Objetivo Geral ............................................................................................................................... ............................................................................................................................... 7 1.Processo de Reconhecimento de Íris ......................................................................................... 7 ......................................................................................................... ............................................. 8 1.1 Analise da textura de íris ............................................................ ................................................................................................................... ........................................................ 8 1.2 Localização de íris........................................................... .......................................................................................................... ............................................. 9 1.3 Transformada de Hough .............................................................
1.4 Análise de intensidades: operador integro-diferencial ............................................................ 9 ..................................................................................................... ........................................... 10 1.5 Algoritmos de localização .......................................................... ....................................................................................... .................... 11 1.6 Análise de segmentação de textura ................................................................... ........................................................................................ ............................... 11 1.7 Proposta para a localização de íris ......................................................... ........................................................................ ......... 12 1.8 Localização do centro aproximado da pupila............................................................... ....................................................................................................................... ..................................................... 12 1.9 Raio da pupila .................................................................. ......................................................................................... ............................... 12 1.10 Localizar o centro real da pupila .......................................................... .......................................................................................................................... ..................................................... 13 1.11 Raio da íris ..................................................................... .................................................................................. .................... 15 1.12 Normalização e melhoria da imagem.............................................................. ................................................................................................... ........................................... 16 1.13 Experimentos e resultados........................................................ .................................................................................................................... ...................................................... 17 1.14 CONCLUSÃO CONCLUSÃO ..............................................................
2.Reconhecimento facial baseado em técnicas de análise de componentes principais e autofaces: ................................................................................ .................... 17 comparação com diferentes classificadores ............................................................ ......................................................................................... ............................... 18 2.1 Sistema de reconhecimento facial .......................................................... ....................................................................................... .................... 20 2.2 Classificador K-Nearest Neighbors ................................................................... ................................................................................................ 20 2.3 Classificador Random Random Forest ................................................................................................ .............................................................................................................. 21 2.4 Classificador K-Star K-Star .............................................................................................................. ......................................................................................................... ........................................... 21 2.5 Descrição dos Métodos .............................................................. .............................................................................................................................. ............................................................................ ......... 22 2.6 PCA ........................................................... ............................................................................................................................... ................................................................. 22 2.7 Eigenface .............................................................. .................................................................................. .................... 23 3.Reconhecimento de Impressões Digitais.............................................................. ................................................................................................. ............................... 23 3.1 Características Identificáveis.................................................................. ................................................................................................................ .......................................... 24 3.2 Pré-processamento ...................................................................... .................................................................................................................................... ................................................................. 25 3.3 Filtros ................................................................... ............................................................................................................................ ................................................................. 25 3.4 Binarização........................................................... ....................................................................................................................... ..................................................... 26 3.5 Esqueletização .................................................................. 5
................................................................................................... ........................................... 27 3.6 Extração de Características ........................................................ .......................................................................................................................... ..................................................... 28 3.7 Identificação ..................................................................... ................................................................................... .................... 29 3.8 Comparação de Minúcias (Matching) ............................................................... .......................................................................................................... ........................................... 29 3.9 Classificador de Bayes ............................................................... ............................................................................................................... 29 3.10 Nearest Neighbour ............................................................................................................... .................................................................................................... ........................................... 30 3.11 Redes Neurais Artificiais .........................................................
6
Introdução A biometria é um grupo de tecnologias em segurança de alto nível. Este breve resumo tenta explorar a essência desses sistemas de segurança, explicando como eles operam e esclarecendo certos conceitos concebidos sobre a indústria biométrica. O elemento chave dessa excitante tecnologia é sua habilidade em estabelecer identidades e reforçar a segurança. Este é um ponto extremamente importante no nosso mundo atual. Aviões, bancos, presídios, redes de computadores, computadores, sistemas de pagamento e até mesmo o processo de votação são todos suscetíveis à brechas de segurança. segurança. A biometria é agora ativa nessas diversas áreas e está indo além dos mercados tradicionais de segurança e de forças policiais, nos quais a indústria primeiramente se fez conhecer. As bases da biometria são sempre ofuscadas pelo excitante potencial das tecnologias núcleo. Porém, conhecer os princípios por detrás de todas as biometrias é essencial para qualquer parte interessada. Um usuário informado faz uma decisão correta, não sendo persuadido pela retórica, e tende a ser menos frustrado uma vez que a tecnologia tenha t enha sido implementada. Inadvertidos são os usuários, integradores de sistemas e implementadores que delineiam o curso da indústria biométrica instalando tecnologias e direcionando as tendências. Os usuários não possuem obrigações para com a indústria. Existe sim uma responsabilidade dos indivíduos que devem utilizar a biometria escolhida. Este resumo distingue os usuários que implementam os sistemas biométricos e os usuários finais que interagem e utilizam fisicamente a tecnologia. São esses usuários finais dos sistemas biométricos que serão realmente beneficiados se as bases da biometria forem explicadas explicadas
Objetivo Geral O objetivo principal do Sistema de Identificação Biométrica se resume em uma palavra: SEGURANÇA.
1.Processo de Reconhecimento de Íris Os algoritmos de reconhecimento da íris são decompostos normalmente em blocos ou subseções. subseções. O algoritmo proposto, tem os seguintes passos: localização de íris, correções matemáticas para robustez do modelo, codificação de íris e comparação dos códigos. Um algoritmo eficiente que tem semelhança com outros algoritmos: localização de íris, normalização, realce, extração de características e comparação. comparação. Em geral, é importante i mportante a localização para se ter limites definidos de processamento. Isso está relacionado com a eficiência e a precisão. A localização da íris é um processo demorado em relação aos outros blocos de processamento. De acordo com o modelo, uma fase de extração de características e uma de comparação estão sempre presentes. Mas, para ter uma resposta aceitável, deve-se diminuir a quantidade de erros nas primeiras fases.
7
1.1 Analise da textura de íris
A íris tem características radiais e angulares e está situada próximo da pupila. A pupila é mais semelhante à um círculo do que a íris. As características angulares são mais acentuadas perto da pupila enquanto que as radiais iniciam na pupila, dado que estas correspondem aos músculos responsáveis pelos movimentos de contração . Isso é mostrado na. Além disso, observa-se que a captura de dados de textura concêntrica contem a informação mais relevante da íris, sendo que a maioria corresponde às características concêntricas, concêntricas, mesmo quando a íris não é concêntrica.
Figura 1 - Concentricidade da Textura de íris com a pupila
1.2 Localização de íris
A localização de íris em geral, se reduz a uma simples busca de circunferências sendo que a procura é delimitada por duas circunferências usualmente não concêntricas. Se a etapa de aquisição fosse adequada, o tempo gasto na localização seria mínimo, mas, as obstruções (ex. cílios, pálpebras) e o ambiente físico (ex. luz, distância focal, movimentação do olho) dificultam essa etapa. Frequentemente utiliza-se um pré processamento processamento e encontra-se primeiro a pupila, e logo em seguida a íris. A pupila é quase preta e dessa forma a diferenciação é de processamento mais fácil. Para cada circunferência, é necessária a determinação de dois parâmetros: o centro e o raio da circunferência. Mesmo que as circunferências referentes à íris e a pupila não sejam concêntricas costuma-se aproximá-las por circunferências perfeitas e supõe-se concentricidade para diminuir o tempo de procura. Nos testes comprova-se comprova-se que o erro erro é mínimo e que o maior erro encontra-se no limite mais externo, ou seja, em uma região do olho que contém pouca informação de textura. Existem muitas propostas de localização de íris, sendo que as mais utilizadas estão baseadas na detecção de circunferências. circunferências. Comentam-se, a seguir, as técnicas de localização usadas frequentemente como: a transformada de Hough, análise de intensidades e a integro – integro – diferencial. diferencial.
8
1.3 Transformada de Hough
A transformada de Hough (TH) é um método padrão para detecção de “formas” que são facilmente parametrizadas, ou seja, de fórmulas conhecidas, tais como círculos em imagens digitalizadas. Essa transformada consiste em definir um mapeamento entre o y) e o espaço de espaço de imagem ( x ( x,, y) parâmetros (c (c, d , r ) . (x - c )² )² + ( y - d ) ² = r ²
Onde c e d é o centro do círculo e r o raio. Para isso, esse espaço dos parâmetros é discretizado e representado na forma de uma matriz de inteiros ou células, onde cada posição da matriz corresponde corresponde a um intervalo no espaço real dos parâmetros. ProcuramProcuramse todos os círculos (c ( c, d , r ) que passam pelo ponto fixo ( x ( x,, y) y) . Mostra-se na Eq. (1) um y) . cone no espaço (c ( c, d , r ) que é fixado pelos parâmetros ( x ( x,, y) Deve-se então acumular todos esses cones no espaço tridimensional e buscar um pico máximo da acumulação. Se o acúmulo na célula correspondente é alto, então a célula é escolhida . Apresenta-se uma demonstração da transformada de Hough para detecção dos círculos de raio 20.
Figura 2- Detecção de círculos de raio 20, utilizando T. Hough
A transformada de Hough é uma especialização da transformada de Radon. Esse domínio é um espaço tridimensional das variáveis ( c, d , r ) , baseado em densidades e vizinhança. A determinação da imagem tridimensional de Radon tem complexidade de O(ND2), onde N é o número total de pontos e D é a quantidade de células de acumulação. Em conjunto com uma boa detecção de bordas, a transformada de Hough é utilizada para a detecção detecção de íris. 1.4 Análise de intensidades: operador integro-diferencial
Para o caso específico da íris, utiliza-se o operador integro-diferencial. A vantagem dessa técnica é que a mesma estima separadamente os parâmetros da íris e da pupila. Consiste em: 9
Onde I ( x, x, y) y) é uma imagem contendo um olho. Nesse operador procura-se sobre o domínio ( x, x, y) y) da imagem pelo valor máximo da derivada parcial com relação ao raio r , da integral normalizada do contorno da imagem ao longo de um arco circular s de raio r e r e coordenadas de centro (x 0,y0). A gaussiana é utilizada para suavizar o ruído, com uma escala . O procedimento é realizado sobre três parâmetros espaciais ( x 0,y0,r) definindo-se um caminho através do contorno de integração.
1.5 Algoritmos de localização
Um dos algoritmos mais rápidos e de baixo custo computacional é a proposta de se ajuntar uma detecção de bordas e detecção de circunferências, diminuindo assim, o domínio .Primeiro faz-se uma estimativa aproximada do centro, em seguida passa-se para a forma binária e diminui-se a região apropriadamente. Então, aplicasse aplicasse o operador de bordas e uma detecção de círculos, para se achar o centro real. Os passos do algoritmo são:
Projetar a imagem nas direções vertical e horizontal a fim de se aproximar do centro (XP,YP) da pupila. Como a pupila é normalmente de baixa intensidade e sem ruído, as coordenadas correspondem à mínima intensidade das duas projeções. Considera-se o centro da pupila como sendo o ponto (X P,YP) tal que :
Onde I Onde I (( x, x, y) y) é a imagem projetada do olho.
Compor uma imagem binária de tamanho 120x120 centrada no ponto (X P,YP) adaptando um limiar apropriado através do uso de um histograma dessa região. Nessa região, repete-se o passo anterior e essa é a nova estimativa da pupila que deve substituir a anterior. Calcular os parâmetros exatos dos dois círculos aplicando-se o operador de Canny para se obter as bordas e a transformada de Hough a fim de se detectar os círculos. Isso é feito na região determinada por (X P,YP).
10
1.6 Análise de segmentação de textura
Apresenta-se uma aplicação de uma análise baseada na textura da íris e também apoiando-se na característica de que a pupila é preta, ou seja, de baixa frequência. Decompõe-se a imagem original com a transformada wavelet de Haar. A localização da pupila é facilitada usando-se a decomposição decomposição wavelet, e inicia-se então uma estratégia de busca fina a partir dessa informação. Depois são implementados outros passos para se encontrar a íris. Também, aplica-se uma modificação da transformada de Hough para se aumentar a velocidade de busca. Escolhendo-se aleatoriamente pontos do mapa de bordas, inicia-se uma busca iterativa. Os resultados experimentais obtidos mostram uma redução de custo computacional. computacional. O limite externo da íris é localizado utilizando-se o operador integro-diferencial. O operador diferencial é definido como sendo:
Assim, pode-se melhorar o contraste do limite exterior da íris. Se a pupila é localizada ( x xe , ye , r ), ), a busca do limite exterior é limitado limi tado a:
O método tem muita rapidez e robustez. Isso ocorre porque se utiliza um esquema simples de localização, baseado em informação local e dessa forma, minimiza-se os efeitos de ruído. Na detecção da pupila não é utilizada a transformada de Hough e isso causa uma redução do custo computacional. A aplicação do operador integro-diferencial resulta em uma melhoria do contraste. Adicionalmente, reduzem-se as necessidades de espaço, pois se passa de 3D para 2D e a busca é realizada realizada em um domínio menor .
1.7 Proposta para a localização de íris
A proposta para a localização de íris é baseada no cálculo aproximado da pupila, através da intensidade mínima das projeções vertical e horizontal. Encontra-se o raio da pupila de forma iterativa utilizando-se as mudanças de intensidades (0,1). Refina-se o centro e acha-se o raio da íris analisando somente uma região centrada (X P,YP). A detecção de bordas é substituída substituída por um filtro que mostre mostre uma variação binária simples nos dois eixos para se encontrar a pupila. A procura é feita na linha de menor intensidade para cada eixo. Usa-se uma detecção do raio da íris similar à anterior, porém em um só eixo. O algoritmo proposto tem a vantagem de ser rápido e de menor complexidade, mas é sensível a erros devido às obstruções que afetam a intensidade de outras regiões. Aplicando-se ruído gaussiano na localização ter-se-á a mesma resposta, isso porque se usa a média da intensidade em uma linha. Aplica-se assim nesses casos o ruído gaussiano, e assume-se a resposta como sendo válida.
11
1.8 Localização do centro aproximado da pupila
A primeira localização do centro da pupila é conseguida através da característica que é mais uniforme e de menor intensidade na imagem do olho. Então, aplica-se o seguinte algoritmo:
Passar um filtro mediano, que garanta uma suavização suficiente para diminuir o ruído e diferenciar as regiões de alta e baixa intensidade. Converter os dados da imagem para binário. Utiliza-se um limiar que garanta que a intensidade da pupila seja diferente da intensidade da íris. O algoritmo tem como limiar experimental 26% da máxima intensidade possível. Isso depende muito dos parâmetros de obtenção da imagem. Com o aumento do contraste, o limiar aumenta. Achar (XP,YP) aplicando-se (3) e (4).
1.9 Raio da pupila
Parte-se de (XP,YP) aproximados. Então, deve-se percorrer pixel a pixel a pixel, desde o centro (XP,YP) até se chegar a uma região de mudança de intensidade I(x, y)=0, cor preta para uma I(x, y)=1, cor branca. x, acham-se respectivamente, No sentido esquerdo e direito para o eixo x, respectivamente, l x e r x. E nos sentidos acima e abaixo para o eixo y eixo y,, acham-se respectivamente, respectivamente, y yu e d yd . Dados Xl, XR , YU e YD, deve-se estimar o raio da pupila, aplicando-se as seguintes equações:
Onde R p , R x p e R y p são as aproximações do raio da pupila nos dois eixos. R p assume o valor de R x p dado que ele sofre menos obstruções dos cílios e das pálpebras.
1.10 Localizar o centro real da pupila
Tendo-se os dados aproximados de (X P,YP) e R p, pode-se encontrar o centro real da pupila. Deve-se achar o erro = | R x p - R y p |. Se ele for maior do que o máximo erro 12
permitido então, deve-se aplicar um ruído gaussiano à imagem original. A seguir, devese iniciar o algoritmo tendo-se uma nova imagem de entrada. Uma imagem com ruído gaussiano ou sem ele, terá o mesmo resultado para imagens. No entanto, para os casos com muitas obstruções obstruções verticais de baixa intensidade intensidade como se observa na figura, o algoritmo encontra a menor intensidade prejudicando a continuidade o que é indesejável.
Figura 3 - (a) Íris com obstrução vertical dos cílios, e outra região com pouca incidência deles,(b) localização de íris aplicando-se ruído gaussiano.
Reinicia-se o algoritmo, mas agora com a informação dos raios R x p e R y p. Os efeitos interferentes dos cílios normalmente ocorrem na vertical. Logo, o raio R raio R x p é o raio da Pupila R p final válido. Nos testes, apenas uma das 108 classes da base de dados precisou realmente do tratamento de ruído como na figura. Assim, esse passo insere robustez ao algoritmo. Para se calcular as coordenadas do centro usa-se:
Nesse algoritmo (XP,YP) é considerado válido dessa etapa em diante.
1.11 Raio da íris
O algoritmo processará somente a região da imagem que contém a menor quantidade de obstruções. No caso de uma imagem referente a um olho, essas regiões de menor obstrução são as regiões ao lado do centro da pupila. Essas regiões de interesse (ROI) podem ser utilizadas utilizadas para o todo o processo. Na Figura tem-se um exemplo onde se percebe com clareza que os cílios ou as pálpebras dificilmente chegam a cobrir a informação da íris. Para se compor uma janela centrada em (X P,YP) , de comprimento e largura, usa-se:
Onde eRi max, é a variação máxima do raio da íris que ocorre em relação ao centro. Esse parâmetro depende de muitos fatores relacionados com a forma de aquisição da 13
imagem, tais como a iluminação, distância da câmera, porcentagem do olho na imagem, etc. Nos testes realizados, usa-se a base de dados CASIA , na qual esses parâmetros tem valores constantes em todas as imagens. A variável height que corresponde à altura, tem valor que depende da base de dados. Um valor menor levará a um menor tempo de processamento, porém haverá maior probabilidade de que as obstruções inviabilizem o processo. O valor para essa variável é empírico, tendo o valor de 6 pontos o melhor comportamento .Aplicou-se o filtro mediano nessa janela para passar a informação relevante da textura para baixa intensidade a fim de suavizar as fronteiras de textura da íris e desprezar a região externa se for necessário. O passo de busca consiste em se procurar um ponto x l , l , x r de r de baixa intensidade no eixo horizontal, indo para o lado esquerdo e para o direito desde um canto da janela até encontrar esse ponto. Esses são os limites aproximados da íris.
Para se obter o centro da íris (X P,YP) , usa-se:
Mesmo que a precisão seja menor, os dados perdidos não são tão relevantes para o cálculo final. Isso porque a maior quantidade de informação da íris está na região mais próxima da pupila. Note-se que o filtro mediano retira apenas a informação no limite exterior da íris que apresenta textura quase nula .
Figura 4 - Localização da íris proposta: centros e raios de pupila e íris.
.
A localização será feita somente depois que os resultados, em cada passada do algoritmo, forem iguais. Na Figura observa-se o resultado em uma iteração. No caso da figura (a) quase sem obstruções e no caso (b) com obstruções da pálpebra e com cílios.
14
1.12 Normalização e melhoria da imagem
A aquisição de uma imagem real, no meio ambiente dificilmente é perfeita. Os erros inseridos são devidos às muitas variáveis envolvidas, tais como os diferentes tamanhos das íris, as variações de iluminação, bem como de outros fatores que afetam a imagem incluindo-se as reações naturais da pupila. Para se obter uma informação confiável da íris deve-se localizar a íris e uniformizar esses dados para que os algoritmos computacionais computacionais de reconhecimento possam realizar a análise. O conteúdo circular em uma imagem padrão de íris pode ser representado em uma imagem retangular. Assim aplica-se uma transformação para se passar de uma faixa circular para um retângulo.
Figura 5- (a) Íris em formato (64x512) normalizado em um retângulo. (b) enriquecimento da imagem
aplicando-se maior contraste
Ao normalizar uma imagem deve-se ter parâmetros fixos a fim de simplificar os passos subsequentes de processamento sem reduzir os dados relevantes nem causar distorções [1], [4]. Tem-se:
Onde n I é I é a nova imagem de M de M
N (64 N (64 x 512).
A imagem normalizada conserva as características principais da textura como observado na Fig. 6 (a), mas a íris é de baixo contraste e as informações relevantes são as mudanças de textura. Por essa razão, o tratamento da imagem na Figura (b) consiste em se realçar as regiões que contém os dados. Com localização precisa e normalização sem deformação, as informações de textura estão prontas para posteriores tarefas de reconhecimento, reconhecimento, porém, reduzindo-se os dados.
15
1.13 Experimentos e resultados
Para se avaliar o desempenho do método proposto, foi utilizada a base de dados CASIA Íris Database, Database, que contêm 756 imagens (320x280 pixels) de íris de 108 olhos, que resulta em 108 classes. Para cada olho, sete imagens são capturadas em duas sessões. Três são coletadas na primeira e quatro na segunda sessão. A Tabela I mostra a comparação apresentada por Jiali Cui. Acrescentou-se o resultado do algoritmo proposto, levando-se em conta as mesmas características nos experimentos relatados nessa publicação. O algoritmo foi executado tendo-se como base o algoritmo de Daugman implementado em MatLab por Masek [20] e modificado no módulo de segmentação. O sistema tem a configuração de um limiar 0.36 tendo uma FAR=0% e um FRR=0.13%.
Tabela 1 – 1 – Comparação de métodos
O método de Daugman é robusto, sendo que os seus resultados são de difícil comparação, pois não são relatadas melhorias computacionais no seu método, mas os artigos mostram 100% de precisão. O esquema de reconhecimento de íris possui um bloco de localização, e ao longo do processo esse bloco permanece inalterado. Esse bloco está baseado no processo íntegro-diferencial e é possível se ter uma ideia do tempo de processamento desse bloco com respeito a todo um processamento de reconhecimento. Por exemplo, em [13] a localização representa 57.7% do total e em [6] representa 20.17% do total. Daugman utiliza o seu mesmo processo íntegro-diferencial com possíveis melhorias, mas esse fato não é relatado.
Figura 6 - Resposta ao algoritmo proposto, da base de dados.
16
O algoritmo proposto ao inserir ruído gaussiano continua sendo rápido e confiável, isso porque nesse passo assegura-se borrar as obstruções, já que elas são causadoras de problemas na localização. No experimento apenas uma classe apresenta obstruções significativas .Dentro dessa classe existem sete amostras, das quais quatro contêm cílios que dão erro quando não se insere um ruído gaussiano. No décimo passo encontra-se o centro da íris. Mesmo assim, não é utilizado. Isso porque a informação da textura da íris é mais concêntrica a da pupila. Nesse algoritmo só foi aceita a informação útil da íris a fim de se conservar a concentricidade e passar para uma normalização de menor custo computacional, que garanta uma informação homogênea de uma íris. Essa imagem apresenta muita irregularidade na concentricidade. Percebe-se que as escolhas dos limites para todas as amostras dessa classe são semelhantes. Para um reconhecimento da íris, a informação de entrada sempre será a correspondente, portanto se há perda de dados em uma íris, na outra sessão também haverá. A melhoria no resultado final do sistema deve-se à melhoria na entrada de dados, pois toma-se a informação de textura t extura mais relevante.
1.14 CONCLUSÃO
O processo de localização da íris encontra o centro, os limites da íris e também os limites da pupila satisfatoriamente, com velocidade superior às dos outros algoritmos apresentados. O algoritmo proposto tem boa precisão e aplicam ruído gaussiano para se obter melhores resultados. O método é baseado na obtenção da informação da textura da íris sendo que o que a captura correta da textura melhora os resultados finais em um processo de reconhecimento de íris. Normalmente, a informação é concêntrica à pupila, sendo que a perda de dados no limite exterior não é relevante. A textura relevante é separada utilizando-se filtros medianos com limiares apropriados .
2.Reconhecimento facial baseado em técnicas de análise de componentes principais e autofaces: comparação com diferentes classificadores O reconhecimento facial é um dos processos de identificação mais utilizados pelos seres humanos, pois permite identificar rapidamente qualquer indivíduo. Além de identificar, podemos perceber o estado emocional de uma pessoa apenas observando sua expressão facial .Embora o reconhecimento facial seja uma tarefa simples para o ser humano, não é trivial implementar esse processo em uma máquina, pois não se sabe, ao certo, como o cérebro humano realiza essa tarefa . Existe uma variedade de métodos para a identificação de usuários, os quais são utilizados no controle de acesso em aplicações comerciais. 17
Diferentes técnicas foram utilizadas, para a construção de um sistema de reconhecimento facial. A partir de uma imagem dinâmica, capturada pela webcam do usuário, o sistema irá extrair a imagem facial de um indivíduo e verificar se o mesmo pertence ou não a uma base de dados com imagens faciais previamente cadastradas. cadastradas. Utilizamos as técnicas de análise de componentes principais (PCA) e Eigenfaces (autofaces) no processo de extração de características da face para diminuir a alta dimensionalidade dos vetores. A classificação das imagens foi realizada através de análises dos classificadores K-Nearest Neighbors (K-NN), Random Random Forest (Floresta aleatória) e K-Star (K-estrela). O propósito foi descobrir qual combinação dessas técnicas tem melhor desempenho em termos de taxa de reconhecimento facial.
2.1 Sistema de reconhecimento facial
O sistema de reconhecimento reconhecimento facial proposto consiste basicamente das seguintes etapas: (a) aquisição das imagens; (b) pré-processamento; (c) extração de características; (d) classificação e verificação. A arquitetura do sistema de reconhecimento facial é apresentada na Figura.
Figura 7 - Arquitetura do sistema de reconhecimento reconhecimento facial
O início do processo de reconhecimento de face se dá a partir do módulo de aquisição da imagem. Através da webcam, webcam, o sistema captura a imagem da face do usuário a qual será utilizada como entrada para o sistema de reconhecimento facial. Nesse módulo foi utilizado o algoritmo para detecção de face Viola-Jones . Esse algoritmo tenta encontrar 18
em uma imagem características que codificam alguma informação da classe a ser detectada. Para tal tarefa, são usadas as chamadas características de Haar , responsáveis responsáveis por codificar informações sobre a existência de contrastes orientados entre regiões da imagem. As imagens foram amostradas quadro a quadro e as faces foram detectadas e extraídas usando o algoritmo Viola-Jones na implementação da biblioteca OpenCV . OpenCV é uma biblioteca, totalmente livre para o uso acadêmico e comercial, desenvolvida pela Intel no ano de 2000 voltada para o desenvolvimento de aplicações de tempo real no campo da visão computacional. Originalmente desenvolvida em C/C++, ela é portável para todas as plataformas de sistemas operacionais. O OpenCV possui módulos de processamento processamento de imagens e vídeo, estrutura de dados, álgebra linear, interface gráfica do usuário (GUI), controle de mouse e teclado, além de mais de mais de 2500 algoritmos, muitos dos quais são considerados estado da arte, tais como segmentação, segmentação, reconhecimento de faces (método Viola-Jones), aprendizado de máquinas, filtragem de imagens, rastreamento de movimento, entre outros métodos . O próximo módulo é o pré-processamento da imagem. Nesse módulo, as imagens da face detectadas pelo algoritmo Viola-Jones são automaticamente normalizadas e corrigidas para melhorar o reconhecimento da face. As imagens tiveram correções nas suas dimensões (todas foram redimensionadas somente para as dimensões 120x90, 32x24 e 12x9), na resolução (300 dpi) e na iluminação (foi utilizada a mesma em todas as fotos) e foram transformadas para escala de cinza. Esse módulo é útil para poder fazer as comparações com as imagens de faces cadastradas no banco de dados a qual é formada somente por imagens das dimensões 120x90, 32x24 e 12x9. Após o pré-processamento, a imagem da face normalizada serviu de entrada para o módulo de extração de características, objetivando encontrar as principais características a serem utilizadas para a classificação. Cada imagem representante do indivíduo foi transformada em uma matriz de tamanho w x h, onde w e h são, respectivamente, os números de pixels referentes à largura e à altura da imagem. Cada valor do pixel da imagem corresponde a uma componente do vetor. Devido à alta dimensionalidade dos vetores, foi utilizada, nessa etapa, a técnica de PCA a qual reduz a quantidade de características de uma imagem. Logo, consequentemente, diminui o custo computacional e melhora a precisão do classificador. Se o espaço característico contiver somente as características mais visíveis, o classificador será mais rápido e ocupará menos memória. Juntamente com a técnica PCA, foi utilizada a técnica do Eigenfaces. O algoritmo Eigenface objetiva fornecer um conjunto de vetores de distribuições probabilísticas para resolver o problema da detecção de padrões em imagens e seu fundamento básico é a utilização desses vetores para gerar uma informação matemática do rosto de um ser humano para sua futura identificação. Com a ajuda de um classificador de padrões, as características extraídas da imagem da face são comparadas com as amostras do conjunto de treinamento de face. A imagem da face é então classificada como conhecida ou desconhecida. Neste trabalho foram analisados três algoritmos de reconhecimento de padrões: K-NN, Random Forest e KStar os quais são detalhados nas subseções seguintes. Esses dois últimos foram utilizados a partir do software de mineração de dados Weka ( Waikato Environment for Knowledge Analysis). Analysis). O Weka é um software de mineração de dados, desenvolvido na linguagem Java, muito popular no meio acadêmico. É formado por um conjunto de algoritmos de diversas técnicas de Mineração de Dados. O Weka tem como principal característica a sua portabilidade, dessa forma, é possível utilizá-la em diferentes sistemas operacionais, 19
além de aproveitar os principais benefícios da orientação a objetos. O Weka é um software livre e está no domínio da licença GPL ( General Public License). License). Alguns métodos implementados no Weka:
Métodos de classificação: árvore de decisão induzida, regras de aprendizagem, tabelas de decisão, regressão local de pesos, aprendizado baseado em instância, regressão lógica, perceptron, perceptron, perceptron multicamada, comitê de perceptron, perceptron, Random Forest , entre outros. Métodos para predição numérica: regressão linear, geradores de árvores modelo, regressão local de pesos, aprendizado baseado em instância, tabela de decisão e entre outros. Métodos de agrupamento: Cobweb, Cobweb, SimpleKMeans, SimpleKMeans, DBScan, DBScan, CLOPE , métodos de associação, Apriori, Apriori, FPGrowth, FPGrowth, PredictiveApriori, PredictiveApriori, Tertius; Tertius; K-Star entre outros.
2.2 Classificador K-Nearest Neighbors
O K-NN é um dos algoritmos de classificação mais utilizados na área de aprendizagem de máquina .É baseado na procura dos k vizinhos mais próximos do padrão de teste. A busca pela vizinhança é feita utilizando uma medida de distância nessa procura. Nos experimentos desenvolvidos neste trabalho, além da medida Euclidiana, Euclidiana, foram utilizadas a distância de Manhattan e a Euclidiana normalizada .Além disso, todos os experimentos com K-NN foram realizados com peso pela distância e não pela frequência. Dessa maneira, o padrão é classificado de acordo com a soma dos pesos dos k vizinhos k vizinhos – – oo peso é o inverso das distâncias. O padrão é dito pertencer à classe que apresentar maior frequência dentre os k vizinhos k vizinhos utilizados. O k escolhido será o que proporcionar menor menor quantidade erros erros na classificação classificação das imagens. imagens.
2.3 Classificador Random F or ore est
O método de classificação conhecido como Random Forest foi proposto em Breiman .Ele consiste em uma técnica t écnica de agregação de classificadores do tipo árvore, construídos de forma que a sua estrutura seja composta de maneira aleatória. Para determinar a classe de uma instância, o método combina o resultado de várias árvores de decisão, por meio de um mecanismo de votação. Cada árvore dá uma classificação, ou um voto para uma classe. A classificação final é dada pela classe que recebeu o maior número de votos entre todas as árvores da floresta. O classificador é baseado no método Bagging . Bagging . Para cada árvore gerada é utilizado um conjunto de treinamento diferente, formado por n instâncias de treinamento escolhidas 20
aleatoriamente (i.e., uma amostra ou bootstrap). bootstrap). Para cada nó da árvore gerada, são escolhidos aleatoriamente m atributos que orientam o direcionamento do nó, baseado na melhor discriminação de classes do conjunto de treinamento, de acordo com uma métrica. Em geral, o valor de m deve ser bem menor que o total de atributos da base, de maneira que possam ser geradas árvores distintas, que são combinadas para classificar uma nova instância. O modelo gerado elege a classe mais frequente entre as opções individuais de cada árvore. Dessa forma, a seleção de atributos é feita no instante de construção do modelo de classificação, caracterizando a seleção do tipo embutida ( embedded ). ). A vantagem desse classificador é que ele permite bases de dados com um número grande de atributos, contudo é suscetível a um superajuste (overfitting ( overfitting ) em determinadas bases. Como mencionado anteriormente, esse algoritmo foi utilizado a partir da ferramenta Weka ,que proporciona a variação do número de árvores e o número de características a serem analisadas. Escolhemos essa ferramenta por ser amplamente utilizada em atividades de aprendizado de máquina e por ser adequada a conjunto dados ruidosos, apresentando um bom desempenho na análise de imagens. 2.4 Classificador K-Star
K-Star é um classificador baseado em exemplos, isto é, baseia-se na classe das instâncias de formação semelhante, conforme determinado por uma função de similaridade. Ele difere de outros por utilizar funções de distância baseadas na entropia e assume que os exemplos similares terão classes similares. O algoritmo K-Star utilizado consiste em uma implementação em Java, sendo parte integrante do pacote K-Star possui os parâmetros de configuração para a execução os quais são Weka. O K-Star possui globalBlend e missingMode . Para a execução do K-Star, é necessário configurar dois parâmetros, abaixo descritos:
Global Blend: parâmetro correspondente à mistura, relacionado ao uso de cálculos de entropia, com valores definidos de 0 a 100 e expressos em porcentagem (B=20); Missing Mode: determina como os valores de atributos atri butos faltantes são tratados.
2.5 Descrição dos Métodos
Nessa seção, serão detalhados os métodos PCA e Eigenface, ambos abordados, neste trabalho, para realização do reconhecimento reconhecimento facial.
21
2.6 PCA
A análise da componente principal é uma técnica matemática que descreve um conjunto de dados usando “componentes principais”, escrita como combinações lineares dos dados originais. As componentes principais são determinadas em ordem decrescente de importância. A primeira componente possui mais informação do que a segunda e assim por diante. O PCA tenta construir um pequeno conjunto de componentes que resumem os dados originais, reduzindo a dimensionalidade dos mesmos, preservando os componentes mais significantes . 2.7 Eigenface
O método Eigenfaces método Eigenfaces busca busca um conjunto de características que não depende das formas geométricas da face (olhos, nariz, orelhas e boca), utilizando toda a informação da representação facial. Seu funcionamento é similar ao funcionamento do PCA, entretanto é utilizada uma leve otimização para reduzir a matriz de covariância, reduzindo o processamento necessário para fazer o cálculo de seus autovetores e autovalores. Baseadas na Teoria da Informação, as Eigenfaces buscam identificar um pequeno número de características que são relevantes para diferenciar uma face de outras faces. Essas características podem ser analisadas apenas com a variação dos valores assumidos pelos pixels pelos pixels,, em um conjunto de imagens de faces. Os autovetores da matriz de covariância de um conjunto de imagens de faces descreve a variação dos pixels em uma região diferente das imagens, ou seja, significa que cada autovetor descreve a variação dos pixels associados a diferentes características faciais. f aciais. Depois de encontrar os autovetores, as imagens de faces são projetadas em um espaço de características “espaço de faces” que melhor representa a variação entre faces conhecidas. Esse espaço é definido pelas Eigenfaces, Eigenfaces, que são os autovetores do conjunto de faces. O reconhecimento de uma face é realizado pela sua projeção no subespaço gerado pelas Eigenfaces e então pela comparação da posição obtida com a posição de indivíduos conhecidos. conhecidos.
22
3.Reconhecimento de Impressões Digitais
3.1 Características Identificáveis
A epiderme humana apresenta apresenta pequenas pequenas elevações, elevações, denominadas denominadas papilas papilas dérmicas. Essas papilas são perceptíveis, perceptíveis, através da membrana superficial, superficial, em algumas regiões do corpo humano, tais como, nas palmas das mãos, nos dedos das mãos e pés e na planta dos pés e estão dispostas dispostas em fileiras regulares. regulares. Essas fileiras são separadas separadas umas das outras por sulco ou vales e são conhecidas pelo nome de cristas papilares. As Identificações Digitais Digitais (IDs) diferenciam-se sob dois critérios critérios principais. O primeiro critério está relacionado ao Grupo Grupo da impressão e o segundo critério está relacionado à distribuição planar das Minúcias. O critério de Grupo representa uma visão macroscópica da Identificação Digital, definida pelo comportamento das linhas datilares nos dedos. Em função deste comportamento, uma ID é classificada, grosso modo, como arco, verticilo, presilha externa ou presilha interna. Esta visão macroscópica permite, num processo de comparação comparação de duas IDs, afirmar afirmar a não identidade no caso de Grupos diferentes. Quando os Gruposs de duas IDs (Padrão Candidato) são iguais, o segundo critério, das Minúcias, permite afirmar ou não a identidade em função da ocorrência ou não de um mapeamento posicional entre os diversos tipos de Minúcias As minúcias são locais descontínuos no padrão da impressão, linhas que terminam abruptamente ou se bifurcam. Essas minúcias estabelecem a unicidade das impressões. Existem vários tipos de minúcias, como exemplifica a figura 1 e 2 .
Figura 8 - Alguns tipos de minúcias encontradas nas imagens de impressão digital.
Todavia, para o processo processo de automatização automatização de extração e comparação comparação de características apenas dois tipos de minúcias minúcias são consideras: consideras: crista de terminações, ou crista final e de bifurcações, já que essas formam formam a grande maioria maioria percentual das minúcias como pode pode ser observado na Tabela Tabela 1. Uma crista de terminação é definida definida como um ponto onde a crista termina bruscamente, enquanto cristas bifurcadas são 23
definidas como a divisão de uma crista em duas ou mais cristas.
Tabela 2 - Frequência de Minúcias
Para se confirmar confirmar a identidade de uma ID, deverão ser coincididos no mínimo mínimo doze minúcias, as quais devem ser encontradas da mesma forma, localização e mesma quantidade nas duas impressões em comparação. Também não pode haver minúcias diferentes, que se encontram na impressão testemunha e não estão presentes na impressão suspeita.
3.2 Pré-processamento
Após a realização do processo de aquisição as imagens capturadas podem sofrer imperfeições, ou ainda, não estarem em condições ideais para servir como entrada a um classificador, por esse motivo, existe a necessidade de uma fase de processamen pr ocessamento to nas imagens, conhecida como pré-processamento, que consiga remover os ruídos encontrados nas imagens, ou seja, eliminar erros provocados na fase anterior (aquisição), e preparar a imagem para as fases fases seguintes (extração (extração de características e identificação). Essa preparação tem como objetivo otimizar e extrair aspectos de uma imagem cujo resultado deve apresentar menos resultados que a imagem original.
24
3.3 Filtros
As imagens digitais podem podem sofrer uma série de operações operações denominadas operações com filtros. Essas operações operações realizam tarefas como ressaltar ressaltar elementos, suavizar ou aumentar o contraste, detectar bordas, remover ruídos entre outras. O filtro da média é bastante utilizado na fase inicial inicial quando o objetivo é a redução redução de ruídos nas imagens. Esse filtro substitui o nível de cinza de cada pixel pelo valor da média de níveis dos pixels na vizinhança. A principal função desse filtro é forçar pontos com diferentes intensidades a terem valores mais próximos de seus vizinhos. 10 Depois de eliminados os os ruídos através do filtro da média, filtros de contraste (passaalta) são aplicados. Um exemplo exemplo desse tipo de filtro implementado é o filtro direcional. A saída desses filtros resulta em quatro imagens cujas informações devem ser agrupadas novamente novamente para a produção de uma única imagem. A aplicação do filtro de contraste é melhorar a discriminação visual entre os elementos da imagem analisada.
Figura 9 - Filtro de Suavização
Figura 10 - Filtro de contraste contraste
3.4 Binarização
A binarização é aplicada quando se tem interesse em ter resolução das formas nela presentes, como como por exemplo, contornos, contornos, padrões padrões geométricos específicos e outros. outros. 25
O processo prático consiste em transformar as linhas li nhas datilares, adquiridas em 256 níveis de cinza a dois níveis: preto e branco. O processo não pode destruir as minúcias, finsdelinha e bifurcações, presentes na impressão digital. A binarização de uma escala consiste em se determinar um valor limiar (threshold) de forma que todos os valores inferiores a este limiar sejam levados para um mesmo valor base. Todos os valores superiores superiores a este limiar serão levados para um mesmo valor valor de topo. Desta forma é realizada a chamada binarização binarização da imagem, na qual, partindo de uma imagem, do tipo escala de cinza, obtém-se uma imagem com apenas dois níveis. O limiar pode ser estabelecido de forma interativa durante o processo de digitalização, de forma a tornar o ajuste o mais perfeito.
Figura 11 - Binarização – Binarização – (a) Imagem em tons de Cinza, (b) Imagem binarizada
3.5 Esqueletização
A geração de um esqueleto digital é frequentemente um dos primeiros passos em sistemas de visão computacional, quando o objetivo é extrair características de um objeto em uma imagem. Um esqueleto de um objeto visa representar a forma do objeto em um número menor de pixels no qual todos eles são necessários. Com essa idéia, o esqueleto deve ter todas as informações contidas na imagem original: posição, orientação e comprimento dos segmentos. Com o objetivo de reduzir os dados redundantes e preservar a continuidade das cristas de uma impressão, algoritmos para a detecção do esqueleto de uma imagem são adotados na maioria de métodos de processamento processamento de imagem de impressão impressão digital. Alguns que se baseiam na morfologia do objeto, outros usam o seu contorno e outros tratam o objeto como um polígono. Entre vários métodos um deles tem sido usado como base de comparação para métodos de esqueletização, esqueletização, pois é fácil e simples de implementar; sendo ele o algoritmo de Zhang-Suen.
26
Figura 12 - Esqueletizaçã Esqueletização o
3.6 Extração de Características
Utilizar toda a imagem como entrada para um classificador pode ser considerado um desperdício de tempo já que é grande a probabilidade das existências de dados redundantes e/ou irrelevantes, influenciando também no esforço computacional necessário e no tempo gasto para o seu processamento. É interessante, diminuir o tempo 12de processamento, transformar os dados de entrada em alguma outra representação antes de apresentá-lo a um classificador. Por isso a maioria das abordagens para identificação de impressão digital utiliza minúcias para a identificação de padrões de impressões digitais. A maioria dos algoritmos realiza a extração de minúcias a partir de imagens binarizadas b inarizadas esqueletizadas (Figura 5). Mas também existem outros tipos de técnicas que extraem as minúcias diretamente da imagem em tons de cinza. As técnicas de extração de imagem têm como objetivo focar a atenção do processo de reconhecimento apenas nas características relevantes do padrão a ser estudado. Além disso, essas técnicas também reduzem o tempo desprendido pelo computador na fase seguinte (identificação/compreensão). Nessa etapa, é fato de que a diminuição na dimensão da imagem levará alguma perda de informação, mas o importante é que essas técnicas consigam eliminar apenas informações que possuam pouca importância no conjunto da imagem. O processo de extração está intimamente ligado ao processo de classificação já que, em geral, um bom conjunto de características irá propiciar uma alta taxa da classificação correta. As características que são utilizadas para a identificação de impressão digital são chamadas de minúcias. Um dos principais problemas na comparação de minúcias são os ruídos encontrados na imagem, devido à baixa qualidade da imagem, e que podem futuramente ser classificados como minúcias ou minúcias válidas podem não ser detectadas, portanto, detecção de minúcias é um processo crucial em comparação de impressão digital. Os ruídos considerados como minúcias são chamados de falsas minúcias, por isso nesse processo é necessário que as falsas minúcias sejam eliminadas. 27
Uma das técnicas mais utilizadas para a detecção de minúcias é conhecida como Crossing Number (CN). Essa técnica determina as propriedades de um pixel simplesmente contando o número de transições preto e branco existentes na vizinhança do pixel que está sendo processado. O Crossing Number de um ponto P é dado pela equação.
Equação 1: Onde P i é o valor do pixel na vizinhança P. P i = (0 ou 1) e i é um ciclo de período 8, ou seja, P9 = P1 Para um pixel P, denominado pixel central, considera-se oito (8) vizinhos na vizinhança 3x3, sendo que que cada pixel pode pode ter valores zero zero (0) ou um (1). A Tabela Tabela ilustra como o pixel central e seus seus vizinhos estão estão organizados em uma imagem. imagem. As cristas finais e as cristas bifurcadas em uma imagem de impressão digital são detectadas utilizando-se as propriedades de Crossing Number. O valor obtido por essa técnica indica a propriedade do pixel, ou seja, se o pixel é referente a uma crista final, o valor obtido 1 ou bifurcada, o valor obtido é três 3. Essas cristas são relatadas para posterior comparação, comparação, fase de identificação. Assumindo-se duas imagens de mesmo tamanho, cujas aquisições foram feitas sob mesma condição de pressão, sem influência de rotação e translação, faz-se o cálculo do Crossing Number até que seja satisfeita a condição de similaridade.
Tabela 3 - Vizinha de 8 para algoritmo Crossing Number
3.7 Identificação
Após a detecção dos pontos característicos na impressão, ou seja, minúcias, o sistema pesquisará nas impressões impressões digitais armazenadas em um banco de dados para verificação verificação de qual a impressão que possuem características semelhantes semelhantes a estas encontradas. Então será apresentado o nome do candidato mais provável da identificação. A maioria das técnicas propostas para Reconhecimento de Padrões de imagem digital é baseada em em abordagem estatística estatística e estrutural. Geralmente, a primeira abordagem abordagem utiliza características estatísticas para comparar individualmente uma impressão e a outra utiliza informações estruturais para classificar a impressão em padrões, ou classes. 28
3.8 Comparação de Minúcias (Matching)
Uma dada impressão digital é comparada com todas as impressões digitais. Os sistemas biométricos automáticos disponíveis no mercado consideram várias informações como, por exemplo, a posição, o tipo, a orientação e a distância entre as minúcias visando otimizar o desempenho na fase de identificação. Existem várias funções de comparação, comparação, como por exemplo, função de comparação baseada na medida de similaridade. Em algumas abordagens o algoritmo considera a posição (x, y), o tipo de minúcia (crista final ou bifurcada) e a direção. Desta forma, duas imagens (uma imagem de referência e outra de teste) são coincidentes quando localizadas na mesma posição, pertencerem ao mesmo tipo e terem a mesma direção. Ou seja, duas minúcias são consideradas pares se seus atributos são próximos uns dos outros. O valor é calculado para todas impressões digitais, as impressões digitais com maior pontuação constituem as candidatas mais prováveis, ou seja, as mais similares similares à imagem em teste. Em outra abordagem o algoritmo é composto por uma fase de normalização e uma fase de reconhecimento. Na fase de normalização, a ideia é determinar parâmetros de normalização (um vetor de translação, um ângulo de rotação e dois pontos centrais, um na primeira imagem e um na segunda imagem, que se rão usados para “equiparar'' uma imagem à outra). Para isto, para cada minúcia presente nas imagens é definida uma característica local composta pelo tipo da própria minúcia (que será o ponto central da característica) além dos tipos das 5 minúcias mais próximas e dos ângulos relativos entre os 5 vetores determinados pelas minúcias mais próximas e a minúcia central.
3.9 Classificador de Bayes
O classificador de Bayes tem como função à utilização de métodos estatísticos para a minimização de risco de erro ao se classificar determinado padrão em determinada classe. Para tal assume – assume – se se que todos os valores probabilísticos pr obabilísticos são conhecidos antecipadamente. A grande dificuldade do uso do classificador de Bayes é a necessidade de se conhecer antecipadamente antecipadamente as probabilidades relevantes, o que nem sempre é possível.
3.10 Nearest Neighbour
A técnica de Nearest Neighbour é fácil de ser utilizada em classificação de padrões, não é necessário conhecer a lei de probabilidade que rege cada classe. 29
Entretanto existe um problema, no que diz respeito à memória requerida r equerida pelo algoritmo, já que o tamanho da memória será da ordem do número de padrões usados como referência. O problema foi instanciado para o caso de apenas um vizinho mais próximo, que será denominado 1-NN (1- Nearest Neighbour), tem se que um padrão será classificado na classe que contiver um elemento, cuja distância entre ele e o padrão será a menor dentre todos os outros elementos e o padrão. Um problema pr oblema inerente à técnica é, então, descobrir uma medida confiável para classificar os padrões. Essa técnica faz o uso de uma medida de distância. di stância. As técnicas de medidas que podem ser utilizadas na técnica de Nearest Neighboursão a distância Euclidiana, distância de Hamming e distância Square. A distância Euclidiana é uma das métricas mais usadas e é definida pela Equação 2, para o caso n dimensional. Sejam dois vetores:
Distância Euclidiana
À distância de Hamming é uma medida simples, que avalia a diferença entre cada componente dos padrões, os quais estão sendo tratados. À distância de Hamming é representada pelo somatório da Equação 3. Distância de Hamming
À distância Square é uma simplificação da distancia euclidiana, como mostrado na Equação 4. Distância de Square
3.11 Redes Neurais Artificiais
Redes Neurais Artificiais (RNA) possuem propriedades implícitas, tais como a capacidade de generalização, abstração, aprendizagem a partir de exemplos. Assim é possível extrair conceitos dos exemplos. Apesar das técnicas de RNA serem bastante utilizadas em várias aplicações, poucos trabalhos ainda são encontrados que utilizandose das RNAs para a fase de identificação de uma impressão digital, já que essa metodologia ainda não foi formalmente validada para esses propósitos.
30
Bibliografia - Digital
Vaquero, D. A., “Verificação de Impressões Digitais utilizando Morfologia Matemática”, Dezembro, Dezembro de 2003, Universidade de São Paulo. Ferreira, A., Pereira A. de S., Carreira, T. G. M., “Proposta “Propos ta de Implementação de Sistema de Segurança Utilizando Sistemas Biométricos”, Novembro de 2001, Universidade do Amazonas. Costa, K. M. da, “Investigações de Plataformas Comput acionais para Identificação de Digital”, Fevereiro de 2003, Universidade Federal de Pernambuco.
Impressão
Gumz, R. A., “Protótipo de um Sistema de Identific ação de minúcias minúcias em impressões digitais utilizando Redes Neurais Artificais FeedForwar d Multicamada”, Junho de 2002, Universidade Regional de Blumenau. Bibliografia – Processamento de Iris
J. Daugman, “High confidence visual recognition of persons by a test of statistical independence,” IEEE Trans. Pattern Analy Machine Intell., vol. 15, pp. 1148 – 1148 – 1161, 1161, Nov. 1993. Wildes, R.P, “Iris Recognition: An Emerging Biometric Technology,” Proceedings Technology,” Proceedings of the IEEE , vol. 85, no. 9, 1997, 9, pp 1348-1363. W. Boles, “A security system based on human iris identication using wavelet transform,” Engineering Applications of Articial Intelligence. Intelligence . Feb. 1998. L. Ma, Tieniu Tan, “Personal Identification Based on Iris Texture Analysis”. IEEE Transaction on Pattern Análisis and Machine Intelligence Machine Intelligence,, vol. 25, no. 12, December 2003. Anatomy. [Online]. Available: http://www.stlukeseye.com/Ana M. Erickson (1996). Eye (1996). Eye Anatomy. http://www.stlukeseye.com/Anatomy.asp tomy.asp Daugman, J. “ How Iris Recognition Works,” IEEE Transaction on Circuit and System for Video Technology, Technology, vol. 14, no. 1, January 2004. P. Kronfeld, “Gross Anatomy and Embryology of the Eye”, in The Eye, Eye, H. Davson, Ed. London, U.K.: Academic, 1962. John Daugman, “Recognizing Persons by Their Iris Patterns”. The Computer Laboratory, University of Cambridge, United Kingdom, 2002. I. Maghiros, Y. Punie, S. Delaitre, E. Lignos, C. Rodríguez, M Ulbrich, M. Cabrera, B. Clements, L. Beslay, R. Van Bavel, “Biometrics at the Frontiers: Assessing the Impact on Society,” A Report to the European Parliament Committee on Citizens Freedoms and Rights, Justice and Home Affairs (LIBE), EUR 21585, Fev. 2005. L. Ma, “Efficient Iris Recognition by Characterizig Key Local Variations,” IEEE Variations,” IEEE Transaction on Image Processing , vol. 13, no. 6,June 2004. J. Daugman, “Demodulation by Complex -Valued Wavelets forStochastic Pattern Recognition,” Int’l Wavelets, Multiresolution and Information Information Processing , vol. 1, no. 1, pp. 1-17, 2003.
J.
A. Lefohm R. Caruso, E. Reinhard, B. Budge, “An Ocularist’sApproach to Human Íris Synthesys ”, IEEE Computer Graphics andApplications, vol. 26, no. 11,pp. 70-75, Dec. 2003. J. Daugman, C. Downing, “Recognizing iris texture by phasedemodulation” IEEE Colloquium on. Image Processing for BiometricMeasurement, vol. 2, pp. 1 – 1 – 8, 8, April 1994. M. Schulze (2003, July 23). Circular Hough Transform: A Javaapplet demonstration , [Online]. Available:http://markschulze.net/java/houghK. Available:http://markschulze.net/jav a/houghK. V oss, H. Suesse and W. Ortmann, Ort mann, “Radon, Hough, 31
Acumulación y el método SDR”,CC/CIMAT Dep. Mathematic,Comunicación M athematic,Comunicación Técnica No I -04-05 , 2004. J. Canny, “A computational approach to edge detection,” IEEETrans. Pattern Anal. Machine Intell .,., vol. PAMI-8, pp. 679 – 698, 698, Nov.1986. D. Ballard, “Generalized Hough transform to detect arbitrarypatterns,” IEEE Trans. Pattern Anal. Machine Intell .,vol. .,vol. PAMI-13, pp.111 – 122, 122, 1981. Jiali Cui, Yunhong, Teniu, Li Ma, Zhenan Sun, “A Fast andRobust Iris Localization Method B ased on Texture Segmentation”,Center Segmentation”, Center for Biometric Authentication and Testing, National Laboratory of Pattern Recognition,Chinese Academy of Sciences , Beijing,P.R.China, 2004. CASIA Iris Image Database, Chinese www.sinobiometrics.com/resources.htm
Academy
of
Sciences
(CASIA ).Available:
L. Masek, “Recognition of Human Iris Patterns for Biometric Identification,” M. Thesis2003, The University of Western Australia[Online], Australia [Online], available: www.csse.uwa.edu.au/~pk/studentprojects/libor/ www.csse.uwa.edu.au/~pk/studentprojects/libor/ LiborMasekThesis.pdf, Mar. 26, 2005. Bibliografia – Facial
Agarwal, M.; Agrawal, H.; Jain, N. Kumar, M. “Face Recognition Using Principle Component Analysis, Eigenface and Neural Network”, Signal Acquisition and Processing. ICSAP 10. International Conference on, vol., no., pp. 310-314, 9-10, 2010. Breiman, L.; Random Forest. In Journal of Machine Learning, Vol.45, pages 5-32. Kluwer Academic, Netherland, 2001. Cheon, Y.; Kim, D. "A Natural Facial Expression Recognition Using Differential-AAM and k-NNS," Multimedia, Tenth IEEE International Symposium on, vol., no., pp.220-227, 15-17, 15 -17, 2008. CLEARY, J.G.; TRIGG, L.E. K*: an instance-based learner using an entropic distance measure. In: INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 12., 1995, Tahoe T ahoe City, California, US . Proceeding. Tahoe City, 1995. p.108-114. Ekman, P. “Facial Expression and Emotion. E motion. American Psychologist”, v.48, n.4, p. 384 -392, 1993. Frank, E.; Holmes, G.; Pfahringer, B.; Reutemann P.; Witten, I. H. The WEKA data mining software: an update. SIGKDD Explorations, v. 11, n. 1, University Mark Hall, 1999. Ghosal V.; Tikmani P.; Gupta P. “Face Classification Using Gabor Wavelets and Random Forest”, In Proceedings of the Canadian Conference on Computer and Robot Vision (CRV '09), IEEE Computer Society, Washington, DC, USA, 68-73, 2009. CHOI, Hyun-Chul; OH, Se-Young. Multi-Face Detection on static image using Principal Component Analysis. ICCAS 2004. Disponível em: < http://isl.postech.ac.kr >. Acesso em: Março 2012. Jiangsheng, Y. Method of k-Nearest Neighbors. Institute of Computational Linguistics, Peking University, China, 2002. Kshirsagar, V. P.; Baviskar, M. R.; Gaikwad, M. E. “Face recognition using Eigenfaces”, Computer Research and Development (ICCRD), 3rd International Conference on, vol. 2, no., pp. 302-306, 11-13, 2011. MARAIS, E.; Argles D.; von Solms B. Security issues specific to e-assessments, 8th Annual Conference on WWW Applications, 2006. OPENCV - Open Source Computer Vision Library: biblioteca de visão computacional open source. Estados Unidos, Intel Corporation, 2001 [436 p.]. Disponível em: http://developer.intel.com Acesso em: 12/01/ 2012.
32
RABUZIN, K.; Baca, M.; Sjako, M. E-learning: biometrics as a security factor, Proceedings of the International Multi-Conference on Computing in the Global Information Technology, pp. 64-74, 2006 Romdhani, S. Face Recognition Using Principal Component Analysis. University of Glasgow (Dissertação). 1996.
33
