UNIVERSIDADE ESTADUAL PAULISTA Jlio de Mesquita Filho

Ps-Graduao em Cincia da Computao

Fernanda Pereira Sartori Falguera

Fuso de Mtodos Baseados em Mincias e em Cristas para Reconhecimento de Impresses Digitais

UNESP 2008

Fernanda Pereira Sartori Falguera

Fuso de Mtodos Baseados em Mincias e em Cristas para Reconhecimento de Impresses Digitais

Orientador: Aparecido Nilceu Marana

Dissertao apresentada para obteno do ttulo de Mestre em Cincia da Computao, rea de Processamento de Imagens e Viso Computacional, junto ao Programa de Ps-Graduao em Cincia da Computao do Instituto de Biocincias, Letras e Cincias Exatas, da Universidade Estadual Paulista Jlio de Mesquita Filho, Campus de So Jos do Rio Preto.

UNESP 2008

FERNANDA PEREIRA SARTORI FALGUERA

Fuso de Mtodos Baseados em Mincias e em Cristas para Reconhecimento de Impresses Digitais

Dissertao apresentada para obteno do ttulo de Mestre em Cincia da Computao, rea de Processamento de Imagens e Viso Computacional, junto ao Programa de Ps-Graduao em Cincia da Computao do Instituto de Biocincias, Letras e Cincias Exatas, da Universidade Estadual Paulista Jlio de Mesquita Filho, Campus de So Jos do Rio Preto.

BANCA EXAMINADORA

Prof. Dr. Aparecido Nilceu Marana Professor Doutor UNESP Bauru Orientador Prof. Dr. Ftima de Lourdes dos Santos Nunes Marques Professora Doutora UNIVEM Prof. Dr. Marcos Antonio Cavenaghi Professor Doutor UNESP - BAURU

Bauru, 04 de Julho de 2008

ii

Dedico este trabalho: aos meus pais, Vera Lcia e Ademir; ao meu irmo, Vincius; ao meu companheiro, Juan. iii

AGRADECIMENTOS
O bom professor explica. O professor superior demonstra. O grande professor inspira." (William Arthur Ward) Gostaria de agradecer a tudo e a todos que servirem de fonte de inspirao em minha vida... ...a Deus, que na sua infinita bondade me permitiu estar aqui; ...a Jesus Cristo, pelo exemplo de amor; ... ao meu companheiro Juan, por sempre me ajudar a enxergar os valores que fazem nossa vida valer pena; ... minha famlia, pelo apoio incondicional; ...ao meu orientador, Prof. Nilceu, pela pacincia e dedicao despendida durante a realizao deste trabalho e, principalmente, pela confiana depositada em mim. Confiana tamanha que me deu foras para superar os desafios sem me deixar esmaecer; ...aos meus irmos espirituais Jnior e Karol porque sem eles eu no conheceria o verdadeiro sentido da amizade; ...ao meu grande amigo Evgeni Dodonov, pelos ensinamentos preciosos da plataforma Linux e por estar ao meu lado nos momentos difceis da minha vida; ... minha amiga Larisa Waldige, pela ajuda com as tradues e apresentaes em ingls e por saber que ela estar de braos e corao abertos para me acolher sempre que eu precisar; ...ao Evandro Jardini e seu orientador de doutorado Adilson Gonzaga por ceder o banco de dados convertido, contribuio importante para o desenvolvimento deste trabalho, ...e a todos que contriburam direta ou indiretamente na conquista deste objetivo.

iv

Para ser grande, s inteiro: Nada teu exagera ou exclui.

S todo em cada coisa. Pe quanto s, no mnimo que fazes.

Assim, em cada lago, A lua toda brilha, Porque alta vive!"

(Fernando Pessoa) v

LISTA DE FIGURAS
Figura 1: Diagrama dos componentes de um sistema biomtrico. ........................................... 10 Figura 2: Distribuies das pontuaes de casamentos genunos e impostores . ..................... 14 Figura 3: Equal Error Rate ....................................................................................................... 15 Figura 4: Corte lateral da pele . ................................................................................................ 19 Figura 5: Estrutura de uma impresso digital . ......................................................................... 20 Figura 6: Mincia do tipo terminao na imagem esquerda. Mincia do tipo bifurcao na imagem direita. B a orientao da mincia segundo o software NBIS e A representa como outros mtodos podem calcular a orientao da mincia . ..................... 21 Figura 7: Registros arqueolgicos de impresses digitais . ...................................................... 21 Figura 8: Cada linha mostra duas impresses do mesmo dedo retiradas do Banco de Dados DB1- FVC2002 que foram falsamente rejeitadas pela maioria dos algoritmos submetidos competio FVC2002 . As causas principais da dificuldade na etapa de casamento foram: a pequena rea de sobreposio entre as impresses da primeira linha; a alta deformao no-linear da segunda; e as condies da pele muito diferentes da terceira . 25 Figura 9: Cada linha mostra duas impresses do mesmo dedo e o valor absoluto da diferena para seu melhor alinhamento. Em a) as duas imagens so bem semelhantes e suas imagens se correlacionam bem. Em b) e c) devido alta distoro, os resduos so altos e a correlao global falha . .................................................................................................. 26 Figura 10: Algoritmo para extrao de caractersticas do mtodo proposto por Jain et al. ..... 29 Figura 11: Mapa direcional ...................................................................................................... 30 Figura 12: Exemplo de remoo de quebras e manchas nas cristas . ....................................... 30 Figura 13: Imagens da impresso digital at o processo de afinamento . ................................ 31 Figura 14: Mincia detectada e sua crista associada . .............................................................. 31 Figura 15: Alinhamento de uma crista de consulta com uma crista template, onde mi uma mincia pertencente imagem template e mj pertence imagem de consulta . .............. 32 Figura 16: Formao da cadeia com os pontos de mincias . .................................................. 33 vi

Figura 17: Caixas de tamanhos ajustveis utilizadas durante o casamento de pontos de mincias . ........................................................................................................................... 34 Figura 18: Passos para deteco de mincias do programa Mindtct. ....................................... 35 Figura 19: Imagem original em escala de cinza esquerda e a imagem resultante da binarizao direita . ......................................................................................................... 36 Figura 20: Padres de pixels utilizados para determinar as mincias . .................................... 36 Figura 21: Exemplos de mincias esprias: a) gancho; b) quebra; c) lago . ............................ 37 Figura 22: Passos para o casamento de impresses digitais do programa Bozorth3. ............... 38 Figura 23: Exemplo das medidas relativas utilizadas na construo da tabela Intra-Fingerprint Minutiae . ........................................................................................................................... 39 Figura 24: Exemplo de duas impresses digitais do mesmo dedo com variaes de rotao e escala. Cada impresso contempla tambm um exemplo de entrada em suas respectivas tabelas das mincias (Intra-Fingerprint Minutiae Table) . ............................................... 40 Figura 25: esquerda, as cristas detectadas; direita, as retas que passam pela crista em destaque . ........................................................................................................................... 42 Figura 26: Mapeamento de pontos de uma reta do domnio espacial para o domnio da transformada de Hough. ..................................................................................................... 42 Figura 27: Clculo da rotao baseado nos picos do espao de Hough . ................................. 43 Figura 28: Pontos de interseco entre duas retas que passam pela mesma crista utilizados para clculo da translao . ................................................................................................ 44 Figura 29: a) Impresso digital de entrada; b) Impresso digital de template e c) Alinhamento obtido . ............................................................................................................................... 44 Figura 30: Matrizes de alinhamento de cristas. a) Casamento genuno; b) Casamento impostor . .......................................................................................................................................... 45 Figura 31: Possveis cenrios de sistemas multibiomtricos . .................................................. 51 Figura 32: Possveis nveis de fuso . ....................................................................................... 51 Figura 33: Diagrama funcional da fuso em nvel de classificao. ........................................ 52 vii

Figura 34: Diagrama funcional da fuso em nvel de deciso. ................................................. 54 Figura 35: Exemplos de matrizes de confuso. ........................................................................ 55 Figura 36: Diagrama funcional da fuso em nvel de pontuao. ............................................ 58 Figura 37: Exemplo de Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla. .................................................................................................................. 60 Figura 38: Imagens retiradas do banco de dados DB1A-FVC2002 . Na primeira linha, imagens padro; na segunda linha, imagens com deslocamento exagerado; na terceira linha, imagens com rotao exagerada; na quarta linha, imagens extremamente secas e, na quinta linha, imagens extremamente midas. .................................................................... 68 Figura 39: Diagrama da metodologia proposta. ....................................................................... 70 Figura 40: Passos realizados antes da fuso. ............................................................................ 81 Figura 41: Passos realizados durante a fuso, considerando-se os nveis de classificao, de deciso e de pontuao. ..................................................................................................... 82 Figura 42: EER obtida pelo mtodo baseado em mincias proposto por Jain et al. . .............. 85 Figura 43: Taxa de recuperao correta obtida pelo mtodo baseado em mincias proposto por Jain et al. . .......................................................................................................................... 86 Figura 44: EER obtida pelo mtodo baseado em cristas. ......................................................... 86 Figura 45: Taxa de Recuperao Correta obtida pelo mtodo baseado em cristas. ................. 88 Figura 46: EER obtida pelo mtodo baseado em mincias do software NBIS . ...................... 88 Figura 47: Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla para o mtodo baseado em mincias proposto por Jain et al. . .................................................. 92 Figura 48: Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla para o mtodo baseado em mincias do software NBIS . ......................................................... 92 Figura 49: Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla para o mtodo baseado em cristas. ............................................................................................ 92 Figura 50: Pesos empiricamente calculados para a fuso regresso logstica do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ........... 94 viii

Figura 51: Pesos estabelecidos para a fuso soma com pesos do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . .......................................... 95 Figura 52: Taxa de recuperao correta obtida pela tcnica de classificao mais alta na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. ....................................................................................................................................... 97 Figura 53: Taxa de recuperao correta obtida pela tcnica contador do Borda na fuso do mtodo baseado em cristas proposto com o mtodo baseado em mincias proposto por Jain et al. . .......................................................................................................................... 98 Figura 54: Taxa de recuperao correta obtida pela tcnica regresso logstica na fuso mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ......................................................................................................................................... 100 Figura 55: Taxa de identificao obtida pela tcnica de fuso deciso bayesiana na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ......................................................................................................................................... 101 Figura 56: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ......... 103 Figura 57: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh - Produto) na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ................................................................................... 104 Figura 58: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS. ................. 106 Figura 59: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh Soma com Pesos) na fuso do mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS. ...................................................................................... 107 Figura 60: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em mincias proposto por Jain et al. com o mtodo baseado em mincias do software NBIS ................................................................................................................. 109

ix

Figura 61: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh Soma com Pesos) na fuso do mtodo baseado em mincias proposto por Jain et al. com o mtodo baseado em mincias do software NBIS . ........................................... 110 Figura 62: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso mtodo baseado em cristas com os mtodos baseado em mincias proposto por Jain et al. e do software NBIS ................................................................................................................. 112 Figura 63: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh Produto) na fuso do mtodo baseado em cristas com os mtodos baseados em mincias proposto por Jain et al. e do software NBIS . .................................................. 113 Figura 64: a) Imagem de consulta; b) Mincias extradas da imagem de consulta; c) Imagem de template com melhor casamento (casamento impostor); d) Mincias extradas da imagem de template. ........................................................................................................ 117 Figura 65: a) Imagem ruidosa; b) Mincias extradas da imagem, os crculos so mincias verdadeiras enquanto que os quadrados so as mincias esprias . ................................ 118 Figura 66: a) Imagem de Consulta; b) Imagem de Template e c) Casamento impostor com alta pontuao no mtodo baseado em cristas. ....................................................................... 119 Figura 67: a) Imagem de Consulta; b) Imagem de Template e c) Casamento genuno de imagens com pequena rea de sobreposio obtido pelo mtodo baseado em cristas. ... 119 Figura 68: Casamentos impostores que obtiveram uma pontuao maior que o limiar de EER (a com b e c com d). ........................................................................................................ 121

LISTA DE TABELAS
Tabela 1: Caractersticas e Propriedades Biomtricas .............................................................. 12 Tabela 2: Exemplo de lista de classificao. ............................................................................ 52 Tabela 3: Exemplo de lista de classificao aps a fuso pela tcnica de classificao mais alta. ..................................................................................................................................... 53 Tabela 4: Exemplo de lista de classificao obtida aps a fuso pela tcnica contador do Borda. ................................................................................................................................. 53 Tabela 5: Exemplo de lista de classificao aps a fuso pela regresso logstica com pesos de 46% para o mtodo 1 e 54% para o mtodo 2. .................................................................. 54 Tabela 6: Exemplo de probabilidades posteriores a serem calculadas para a tcnica de fuso deciso bayesiana. .............................................................................................................. 56 Tabela 7: Exemplo de listas de classificao obtidas pelo mtodo baseado em mincias proposto por Jain et al. ....................................................................................................... 85 Tabela 8: Exemplo de listas de classificao obtidas pelo mtodo baseado em cristas. .......... 87 Tabela 9: Melhoria obtida pela tcnica de fuso classificao mais alta na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ........... 97 Tabela 10: Melhoria obtida pela tcnica de fuso contador do borda na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ........... 99 Tabela 11: Melhoria obtida pela tcnica de fuso regresso logstica na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ......... 100 Tabela 12: Melhoria obtida pela tcnica de fuso deciso bayesiana na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ......... 102 Tabela 13: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al.. .......... 102

xi

Tabela 14: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. . ................................................................................................... 104 Tabela 15: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS. ................. 105 Tabela 16: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS ................................................................................................................. 107 Tabela 17: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em mincias proposto por Jain et al. com o mtodo baseado em mincias do software NBIS ................................................................................................................. 108 Tabela 18: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso do mtodo baseado em mincias proposto por Jain et al. com o mtodo baseado em mincias do software NBIS. ........................................................... 109 Tabela 19: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com os mtodos baseados em mincias proposto por Jain et al. e do software NBIS ................................................................................................................. 111 Tabela 20: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso do mtodo baseado em cristas com os mtodos baseados em mincias proposto por Jain et al. e do software NBIS . ................................................................. 112 Tabela 21: Resumo dos resultados obtidos nas fuses realizadas .......................................... 114 Tabela 22: Tempo de processamento para os mtodos de reconhecimento de impresses digitais utilizados gerarem uma pontuao de casamento. .............................................. 115

xii

LISTA DE ABREVIATURAS

DB1A-FVC2002 Database 1A of Fingerprint Verification Competion 2002 DETRAN - Departamento Estadual de Trnsito EER Equal Error Rate FAR False Acceptance Rate FBI - Federal Bureau of Investigation FRR False Rejection Rate FVC - Fingerprint Verification Competition IAFIS Integrated Automatic Fingerprint Identification System IBG - International Biometric Group NBIS - NIST Biometric Image Software NIST - National Institute of Standards and Technology TSE - Tribunal Superior Eleitoral

xiii

SUMRIO

SUMRIO ............................................................................................................................. XIV RESUMO............................................................................................................................. XVIII ABSTRACT .......................................................................................................................... XIX

1.
1.1 1.2 1.1

INTRODUO ......................................................................................... 1
OBJETIVOS DO TRABALHO............................................................................................. 2 JUSTIFICATIVAS.............................................................................................................. 3 ESTRUTURA DA DISSERTAO ....................................................................................... 6

2.
2.1 2.2

BIOMETRIA ............................................................................................. 8
INTRODUO BIOMETRIA ........................................................................................... 8 SISTEMAS BIOMTRICOS ............................................................................................... 8

2.2.1 Caractersticas ................................................................................................................ 9 2.2.2 Limitaes e Propriedades ........................................................................................... 10 2.2.3 Avaliao de Desempenho ............................................................................................ 12 2.3 CONSIDERAES FINAIS .............................................................................................. 17

3.
3.1 3.2 3.3 3.4

IMPRESSES DIGITAIS ..................................................................... 18

CARACTERSTICAS ANATMICAS DAS IMPRESSES DIGITAIS ................................... 18 HISTRIA DO USO DE IMPRESSES DIGITAIS .............................................................. 21 DESAFIOS DO RECONHECIMENTO DE IMPRESSES DIGITAIS ..................................... 23 MTODOS PARA RECONHECIMENTO DE IMPRESSES DIGITAIS ................................ 25

3.4.1 Mtodos para Reconhecimento de Impresses Digitais Baseados em Mincias ......... 27 3.4.2 Mtodos para Reconhecimento de Impresses Digitais Baseado em Cristas .............. 41 3.5 CONSIDERAES FINAIS .............................................................................................. 46 xiv

4.
4.1 4.2

MULTIBIOMETRIA ............................................................................. 47
INTRODUO ................................................................................................................ 47 SISTEMAS MULTIBIOMTRICOS .................................................................................. 48

4.2.1 Cenrios de Fuso ........................................................................................................ 49 4.2.2 Nveis de Fuso............................................................................................................. 49 4.2.3 Desafios ........................................................................................................................ 61 4.3 4.4 APLICAES E PESQUISAS SOBRE MULTIBIOMETRIA................................................. 62 CONSIDERAES FINAIS .............................................................................................. 64

5.
5.1 5.2

MATERIAL E MTODOS.................................................................... 66
MATERIAL .................................................................................................................... 66 METODOLOGIA............................................................................................................. 70

5.2.1 Estratgia de Fuso ...................................................................................................... 70 5.2.2 Implementao das Tcnicas de Fuso ........................................................................ 73 5.2.3 Protocolo dos Testes ..................................................................................................... 74 5.2.4 Medidas de Desempenho .............................................................................................. 75 5.2.5 Abordagens Utilizadas durante a Implementao das Tcnicas de Fuso .................. 77 5.2.6 Passos do Processo de Fuso ....................................................................................... 80 5.3 CONSIDERAES FINAIS .............................................................................................. 82

6.
6.1 6.2 6.3 6.4

RESULTADOS EXPERIMENTAIS..................................................... 84
MTODO BASEADO EM MINCIAS PROPOSTO POR JAIN ............................................ 84 MTODO BASEADO EM CRISTAS PROPOSTO POR MARANA E JAIN ............................ 86 MTODO BASEADO EM MINCIAS DO SOFTWARE NBIS ............................................. 88 RESULTADOS DA FUSO ............................................................................................... 89

6.4.1 Resultados da Medida de Dependncia entre os Mtodos de Reconhecimento de Impresses Digitais .................................................................................................................. 90 xv

6.4.2 Parmetros Estabelecidos pelas Tcnicas de Normalizao ....................................... 91 6.4.3 Pesos Estabelecidos para as Tcnicas de Fuso .......................................................... 93 6.4.4 Resultados da Fuso do Mtodo Baseado em Cristas com o Mtodo Baseado em Mincias proposto por Jain...................................................................................................... 96 6.4.5 Resultados da Fuso do Mtodo Baseado em Cristas com o Mtodo Baseado em Mincias do software NBIS .................................................................................................... 105 6.4.6 Fuso dos Mtodos Baseados em Mincias ............................................................... 107 6.4.7 Fuso do Mtodo Baseado em Cristas com os Mtodos Baseados em Mincias ...... 110 6.5 6.6 6.7 RESUMO DOS RESULTADOS OBTIDOS ........................................................................ 113 TEMPO DE PROCESSAMENTO ..................................................................................... 114 CONSIDERAES FINAIS ............................................................................................ 115

7.
7.1 7.2 7.3 7.4

DISCUSSO .......................................................................................... 116

MTODO BASEADO EM MINCIAS PROPOSTO POR JAIN .......................................... 116 MTODO BASEADO EM CRISTAS PROPOSTO POR MARANA E JAIN .......................... 118 MTODO BASEADO EM MINCIAS DO SOFTWARE NBIS ........................................... 120 FUSO ......................................................................................................................... 122

7.4.1 Fuso do Mtodo Baseado em Cristas com o Mtodo Baseado em Mincias Proposto por Jain ................................................................................................................................... 122 7.4.2 Fuso do Mtodo baseado em Cristas com o Mtodo Baseado em Mincias do software NBIS ......................................................................................................................... 124 7.4.3 Fuso dos Mtodos Baseados em Mincias ............................................................... 124 7.4.4 Fuso do Mtodo Baseado em Cristas com os Mtodos Baseados em Mincias ...... 125 7.5 CONSIDERAES FINAIS ............................................................................................ 126

8. 9.

CONCLUSES ..................................................................................... 127 TRABALHOS FUTUROS ................................................................... 130

xvi

REFERNCIAS BIBLIOGRFICAS ............................................................................... 131 APNDICE A - TRABALHOS CORRELATOS DESENVOLVIDOS E PUBLICADOS .................. 137

xvii

RESUMO
Biometria refere-se ao uso de caractersticas fsicas (impresses digitais, ris, retina) ou comportamentais (assinatura, voz) para a identificao humana. As impresses digitais so formadas por cristas e mincias. As cristas so linhas distribudas paralelamente com uma orientao e um espaamento caracterstico e as mincias representam os vrios modos pelos quais uma crista pode se tornar descontnua. Graas a sua universalidade, unicidade e permanncia, as impresses digitais tornaram-se as caractersticas biomtricas mais amplamente utilizadas. Entretanto, considerar o reconhecimento automtico de impresses digitais um problema totalmente resolvido um erro muito comum. Nenhum sistema de reconhecimento de impresses digitais proposto at hoje infalvel, nenhum garante taxas de erro nulas. Imagens de baixa qualidade e com pequena rea de sobreposio entre a imagem template e a imagem de consulta ainda representam um desafio para os mtodos de reconhecimento de impresses digitais mais utilizados, os mtodos baseados no casamento de pontos de mincias. Uma das maneiras de superar as limitaes e melhorar a acurcia de um sistema biomtrico o uso da multibiometria, isto , a combinao de diferentes tipos de informao em um sistema de reconhecimento biomtrico. Neste contexto, esta dissertao de mestrado objetiva aprimorar a acurcia dos sistemas de reconhecimento de impresses digitais por meio da fuso de mtodos baseados em mincias e em cristas. Para tanto, foram implementadas tcnicas de fuso no nvel de pontuao, classificao e deciso. No nvel de pontuao, a fuso propiciou uma reduo na taxa de erro igual (EER) de 42,53% em relao ao mtodo mais preciso. Para o nvel de classificao, a fuso significou um aumento de 75% na taxa de recuperao correta. E na fuso no nvel de deciso a taxa de identificao passou de 99,25% para 99,75%. Os resultados obtidos mostram que a fuso de mtodos baseados em cristas e em mincias pode representar uma melhoria significativa na acurcia dos sistemas de reconhecimento de impresses digitais.

Palavras chaves: Biometria, Impresses Digitais, Cristas, Mincias, Multibiometria, Fuso, Classificao, Pontuao, Deciso.

xviii

ABSTRACT
Biometrics refers to the use of physical (fingerprints, iris, retina) or behavioral (signature, voice) characteristics to determine the identity of a person. Fingerprints are formed by ridges and minutiae. The ridges are lines distributed in parallel with an orientation and a characteristic spacing and the minutiae represent the several ways a ridge can become discontinued. As to its universality, uniqueness and permanence, the fingerprints became the most widely used biometric characteristic. However, it is a common mistake to consider the automatic fingerprint recognition as a totally solved problem. No fingerprint recognition system proposed until now is infallible, none of them guarantee null error rates. Poor quality images and when just a small area of overlap between the template and the query images exists are still a complex challenge to the most used fingerprint recognition methods, the methods based on minutiae points matching. One of the possibilities to overcome the limitations and improve the accuracy of a biometric system is the use of multibiometrics, the combination of different kinds of information in a biometric system. In this context, this master thesis aims to improve the accuracy of fingerprint recognition systems through the fusion of minutiae based and ridge based methods. To achieve this, fusion techniques on score, rank and decision levels were implemented. For the score level, the fusion lead to a reduction of the Equal Error Rate to 42.53% compared to the most precise method. For the rank level, the fusion meant an increase of 75% in the Correct Retrieval Rate. And, in the decision level fusion the Recognition Rate changed from 99.25% to 99.75%. The results have demonstrated that the fusion of minutiae based and ridge based methods can represent a significant accuracy improvement for the fingerprint recognition systems. Keywords: Biometrics, Fingerprints, Ridges, Minutiae, Multibiometrics, Fusion, Rank, Score, Decision.

xix

1. Introduo

O termo Biometria refere-se utilizao de caractersticas fsicas (impresses digitais, ris, retina, entre outras) ou comportamentais (assinatura, voz, entre outras) para estabelecer a identidade de uma pessoa [21]. Atualmente, inmeros mtodos de reconhecimento biomtrico vm sendo largamente explorados principalmente pelo fato de que os identificadores biomtricos no podem ser perdidos, esquecidos, compartilhados ou roubados, como ocorre facilmente com as senhas ou cartes de acesso. Para que, no entanto, uma caracterstica humana seja utilizada como um identificador biomtrico, ela deve satisfazer alguns requisitos como universalidade, unicidade, permanncia, aceitabilidade, entre outros. Isso faz com que nenhum identificador biomtrico seja considerado timo. Entretanto, a impresso digital continua sendo o identificador biomtrico mais comumente utilizado. De acordo com Maltoni et al. [33], isso se deve ao fato de praticamente todo ser humano possuir impresso digital, desta ser distinta at mesmo entre gmeos idnticos e ainda pelo fato de que, mesmo diante de mudanas temporrias, como cicatrizes e cortes, ela se regenera, voltando para sua forma original. A impresso digital formada por sulcos presentes nos dedos. As partes altas e baixas dos sulcos so denominadas cristas e vales, respectivamente. Seguindo o fluxo das cristas nota-se a formao de pontos caractersticos chamados pontos de mincias [26]. Os mtodos baseados no casamento de pontos de mincias so considerados os mais populares e amplamente utilizados em sistemas automticos para reconhecimento de impresses digitais. Todavia, h um engano comum em considerar que o reconhecimento automtico de impresses digitais um problema totalmente resolvido. A extrao dos pontos de mincias ainda um problema complexo em imagens de baixa qualidade, enquanto que a extrao de

outras informaes como as cristas e suas caractersticas apresenta-se de forma mais confivel [33]. Alm disso, outro grande desafio o casamento dos pontos de mincias quando existe apenas uma pequena rea de sobreposio entre a imagem de template e a imagem de consulta. Estes cenrios, no entanto, esto se tornando cada vez mais comuns medida que a utilizao de sensores de impresso digital em celulares, notebooks e demais dispositivos mveis est se popularizando [22]. Para exemplificar tal situao, uma anlise da taxa FAR (False Acceptance Rate Taxa de Falsa Aceitao) produzida por diferentes algoritmos de impresses digitais que participaram da competio Fingerprint Verification Competition no ano 2000 (FVC2000) mostrou que vinte por cento do banco de dados, referente s imagens de baixa qualidade, eram responsveis por oitenta por cento dos erros [33] [12]. Atualmente, a multibiometria, fuso de diferentes tipos de informao em um sistema biomtrico, considerada uma das chaves para melhorar a acurcia dos sistemas biomtricos. De acordo com Ross, Nandakumar e Jain [47], extremamente difcil aumentar significativamente a acurcia dos sistemas utilizando apenas um identificador biomtrico, uma nica forma de representao e um nico algoritmo de casamento. Neste contexto, o presente trabalho vem contribuir para a comunidade cientfica, ao apresentar um estudo sobre a multibiometria, uma das principais tendncias na rea de reconhecimento biomtrico, e para a sociedade, ao buscar formas de melhorar a acurcia de sistemas baseados na impresso digital, identificador biomtrico que por certo estar cada vez mais presente no cotidiano das pessoas. .

1.1 Objetivos do Trabalho

O objetivo geral deste trabalho aprimorar a acurcia dos sistemas atuais de reconhecimento de impresses digitais por meio da fuso de mtodos baseados em mincias e em cristas, possibilitando, dessa forma, uma adoo mais segura e confivel dessa tecnologia.

Os objetivos especficos que fazem parte deste trabalho so: Analisar o desempenho de mtodos de reconhecimento de impresses digitais baseado em mincias considerando seus pontos fortes e seus pontos fracos ou limitaes. Analisar o desempenho de mtodos de reconhecimento de impresses digitais baseados em cristas considerando seus pontos fortes e seus pontos fracos ou limitaes. Implementar a fuso dos mtodos baseados em mincias e em cristas para reconhecimento de impresses digitais em diferentes nveis de fuso e utilizando diferentes tcnicas dentro de cada nvel. Avaliar a acurcia das diferentes abordagens de fuso dos mtodos baseados em mincias e em cristas implementadas. Mostrar que a fuso de mtodos baseados em mincias e em cristas para reconhecimento de impresses digitais pode apresentar um aumento na acurcia.

1.2 Justificativas
Estudos realizados pelo International Biometric Group (IBG), empresa de consultoria do setor dos Estados Unidos, apontam que as vendas globais dos equipamentos de biometria vo saltar de US$ 2,1 bilhes em 2006 para US$ 5,7 bilhes em 2010. O reconhecimento de impresses digitais, o mais difundido e barato dos sistemas biomtricos, deve responder por 44% do mercado global do setor, enquanto o reconhecimento da face aparece em segundo lugar, com 19% [48]. Tais estudos apenas confirmam que o uso de sistemas biomtricos deixou de fazer parte somente dos filmes de fico cientfica e passou a estar presente na vida real, sendo utilizados at mesmo em aplicaes cruciais da sociedade.

Um exemplo disso o sistema de eleio brasileiro. As pequenas cidades de Ftima do Sul (MS), Colorado do Oeste (RO) e So Joo Batista (SC) tm pouco menos de 15 mil eleitores cada uma, ficam prximas capital de seus estados e estavam prestes a passar por um processo de reviso do eleitorado. Por isso, foram escolhidas pelo Tribunal Superior Eleitoral (TSE) para o projeto-piloto que ir usar urnas com sensores de leitura das digitais do eleitor, cuja foto estar reproduzida na folha de votao para conferncia do mesrio. Aps os testes e aperfeioamento do sistema, o projeto abranger todos os estados ao longo de dez anos [11]. Outro exemplo o fato do Departamento Estadual de Trnsito (DETRAN) de So Paulo j utilizar a identificao biomtrica por impresso digital desde 2005 para controle de freqncia nas aulas tericas de direo. A medida foi implantada aps denncias de que auto-escolas vendiam carteiras de motorista e dispensavam os candidatos das aulas [4]. Alm disso, o uso massivo da biometria no Brasil exercendo funes cruciais na sociedade pode ser visto no novo passaporte. Com 16 itens de segurana a mais do que a verso atualmente usada, o documento vai trazer duas informaes biomtricas do portador: a foto digital do rosto (inserida no cdigo de barras) e as impresses digitais [13]. At mesmo na cmara dos deputados federais, as senhas foram substitudas por impresses digitais para evitar que um deputado vote por outro em sees plenrias [13]. O uso da biometria tambm j pode ser visto em vrias situaes do nosso cotidiano. O anncio do banco Bradesco, que resolveu adotar autenticao biomtrica para acesso de alguns caixas eletrnicos, pode ser encarada como um fato-chave para maior participao da tecnologia dentro do mercado. O controle biomtrico de freqncia j adotado na Universidade de Alfenas, em Minas Gerais, e em algumas empresas, como substituio ao carto de ponto. O grupo de planos de sade Unimed Paulistana anunciou em maro de 2008 a implantao de sistemas biomtricos por impresso digital em 98 hospitais e 263 laboratrios dentro da cidade de So Paulo [10]. Alm disso, a pesquisa As 100 Empresas Mais Ligadas do Brasil, da revista INFO, mostra que as corporaes esto mesmo aderindo biometria. Em 2003, 21% delas usavam essa tecnologia. Em 2006, o percentual saltou para 34% [44].

Pode-se perceber, portanto, que a utilizao da biometria em breve no se restringir aos clientes de um determinado banco, de um plano de sade, universidade, locadora ou academia, mas far parte do cotidiano de todas as pessoas, seja no momento de se obter um passaporte, uma carteira de motorista e at mesmo de votar. A primeira pergunta a ser respondida, portanto, deve ser: O uso da Biometria em larga escala suficientemente seguro? Para responder a essa pergunta, necessrio entender a real extenso dos problemas que podem ser causados por uma margem de erro aparentemente insignificante em um sistema biomtrico. Por exemplo, uma taxa de erro de 1% em um banco de dados de 47 milhes de impresses digitais, como o instalado pelo Federal Bureau of Investigation (FBI) aproximadamente no ano 2000, significaria 470 mil impresses que poderiam ser falsamente reconhecidas. No entanto, margens de erro at mesmo acima de 1% no so raras, mesmo em sistemas biomtricos considerados eficientes. Um exemplo disso o software NIST Biometric Image Software (NBIS) [41] desenvolvido pelo National Institute of Standards and Technology (NIST) para o FBI e para o Departamento de Segurana Nacional dos Estados Unidos (DHS). Ele um mtodo de reconhecimento de impresses digitais baseado em pontos de mincias que na base de dados DB1A-FVC2002 [12] apresentou Taxa de Erro Igual (EER) a 3,08%. Esses erros so geralmente ocasionados por algumas dificuldades inerentes caracterstica biomtrica utilizada. No caso das impresses digitais, por exemplo, de acordo com Maltoni et al. [33], a extrao dos pontos de mincias ainda um problema complexo em imagens de baixa qualidade enquanto que a extrao de outras informaes, como as cristas e suas caractersticas, apresenta-se de forma mais confivel. Alm disso, segundo Jain et al. [24], em aproximadamente 3% da populao, as imagens das impresses digitais so de baixa qualidade devido presena de cortes ou simplesmente pelas condies da pele (dedos secos ou oleosos demais). Desse modo, para que sistemas biomtricos sejam utilizados em larga escala, preciso que a acurcia desses sistemas seja melhorada para garantir uma adoo mais segura e

confivel possvel [18]. A pergunta a ser respondida ento passa a ser: Como ento essa melhoria na acurcia pode ser alcanada? O uso de sistemas multibiomtricos pode ser a resposta para essa questo. A Multibiometria considerada uma das chaves para melhorar a acurcia dos sistemas biomtricos por ser capaz de explorar os diferentes pontos fortes e contornar as diferentes limitaes dos mtodos biomtricos [47]. Neste contexto, a principal justificativa para o presente trabalho a necessidade de aprimorar a acurcia de reconhecimento de impresses digitais. A fuso de mtodos baseados em mincias e em cristas, proposto neste trabalho, vem ao encontro dessa necessidade, contribuindo ao mesmo tempo para a rea acadmica, ao apresentar um estudo sobre a multibiometria, uma das maiores tendncias da rea de reconhecimento biomtrico e para a sociedade, ao buscar formas de melhorar a acurcia de sistemas baseados no identificador biomtrico que estar cada vez mais presente em seu cotidiano: a impresso digital.

1.1 Estrutura da Dissertao

Ao apresentar a organizao da dissertao pretende-se orientar o leitor nos captulos que se seguem. Esta dissertao desenvolve-se ao longo de nove captulos. No presente captulo so apresentadas a introduo, os objetivos e as justificativas do presente trabalho. No segundo captulo, apresentada uma reviso da literatura sobre Biometria, com objetivo de fornecer uma viso geral dos principais conceitos envolvidos nessa rea de conhecimento, iniciando com uma introduo e seguindo com as caractersticas, propriedades, limitaes e medidas de desempenho de sistemas biomtricos. No Captulo 3, as caractersticas anatmicas das impresses digitais so apresentadas seguidas de um resumo histrico do uso das impresses digitais no reconhecimento humano. Depois, as principais abordagens utilizadas nos mtodos de reconhecimento de impresses digitais e seus desafios so abordados. Por fim, so explicados em detalhes os mtodos baseados em cristas e em mincias, objetos de estudo do presente trabalho.

No Captulo 4, inicialmente apresentada uma introduo sobre multibiometria, abordando seu conceito e as principais vantagens de seu uso. Em seguida, os cenrios e nveis de fuso dos sistemas multibiomtricos so elucidados, sendo explicadas em mais detalhes as tcnicas de fuso que foram utilizadas no presente trabalho. Depois, os desafios dos sistemas multibiomtricos so apresentados. Por fim, foi abordada uma breve reviso da literatura sobre o uso da multibiometria, tendo como foco, pesquisas que utilizam o mesmo cenrio do presente trabalho e aplicadas no reconhecimento de impresses digitais. O Captulo 5 apresenta a descrio detalhada do material e dos mtodos utilizados no presente trabalho e de que forma foram realizados os experimentos que mostram os seus resultados. No Captulo 6 so apresentados os resultados dos mtodos utilizados bem como da fuso de mtodos baseados em cristas e em mincias para reconhecimento de impresses digitais. O Captulo 7 apresenta uma discusso sobre os resultados obtidos e as observaes realizadas durante todo o processo de pesquisa. O Captulo 8 apresenta as concluses da autora para o presente trabalho. Por fim, no Captulo 9 esto descritos os trabalhos futuros que podem ser desenvolvidos a partir dos resultados obtidos no presente trabalho.

2. Biometria

Esse captulo apresenta uma viso geral dos principais conceitos envolvendo Biometria, iniciando com uma introduo e abordando as caractersticas, propriedades, limitaes e medidas de desempenho dos sistemas biomtricos.

2.1 Introduo Biometria

Biometria refere-se utilizao de caractersticas fsicas (impresses digitais, ris, retina, entre outras) ou comportamentais (assinatura, voz, entre outras) para estabelecer a identidade de uma pessoa [7]. Na sociedade moderna, uma grande variedade de situaes que vo desde o acesso a locais de trabalho e a sistemas de informaes at a preveno de atos terroristas, faz com que a identificao de pessoas de uma forma cada vez mais robusta seja uma necessidade. Os sistemas automticos de reconhecimento biomtrico vm ao encontro desta necessidade, principalmente pelo fato de que os identificadores biomtricos no podem ser perdidos, esquecidos, compartilhados ou roubados, como ocorre facilmente com os mtodos tradicionais de reconhecimento baseados em posse (cartes) e em conhecimento (senhas).

2.2 Sistemas Biomtricos

Os sistemas biomtricos so processos automatizados de identificao baseados nas caractersticas biomtricas (fsicas ou comportamentais) dos seres humanos. Existem

caractersticas, propriedades e medidas de desempenho que so comuns a todos os sistemas biomtricos e que so apresentadas nas sees a seguir.

2.2.1

Caractersticas
Um sistema automtico de reconhecimento biomtrico composto de duas fases

principais: registro e reconhecimento [21]. Na fase de registro, o sistema captura e converte a caracterstica biomtrica de um indivduo para o formato digital a fim de armazen-la no banco de dados. A representao de uma caracterstica biomtrica adquirida durante a etapa de registro denominada template, por isso, comumente o banco de dados gerado na fase de registro referido como banco de dados de templates. J na fase de reconhecimento, o sistema novamente captura e converte a caracterstica biomtrica apresentada naquele instante para o formato digital, para depois compar-la com os templates previamente armazenados. A representao (em formato digital) de uma caracterstica biomtrica adquirida na fase de reconhecimento denominada imagem de entrada (input) ou de consulta (query) [21]. A fase de reconhecimento de um sistema biomtrico pode consistir em: (i) verificao/autenticao (confirmao ou negao de uma identidade declarada pelo usurio); ou (ii) identificao (estabelecimento da identidade da pessoa a partir de um conjunto de pessoas conhecidas). Aps a entrada do dado biomtrico, as caractersticas fsicas ou comportamentais da pessoa so comparadas com os registros do banco de dados, at que seja encontrado o template mais semelhante, ou at esgotarem todos os registros do banco de dados, sendo, a pessoa, neste caso, declarada no identificada. A Figura 1 apresenta as duas fases de um sistema biomtrico e seus principais componentes.

10

Sim/No Identidade

Casamento

Banco de Dados de Templates

Extrao de Caractersticas

Autenticao / Identificao

Registro

Figura 1: Diagrama dos componentes de um sistema biomtrico[21].

2.2.2

Limitaes e Propriedades
De acordo com Ross, Nandakumar e Jain [47], as incontestveis vantagens dos

sistemas biomtricos, como a melhoria na segurana, o aumento da convenincia para os usurios que no precisam se lembrar de inmeras senhas e, principalmente, a impossibilidade de perder e transferir uma caracterstica biomtrica faz com que muitos tenham a falsa idia de que um sistema biomtrico totalmente seguro e prova de falhas. No entanto, isso no uma verdade. Um sistema biomtrico tem vrias limitaes, dentre as quais so consideradas principais: Variabilidade intraclasse: a variabilidade intraclasse ocorre quando duas imagens de um mesmo indivduo apresentam diferenas considerveis. Os fatores que provocam a variabilidade intraclasse geralmente so causados pelo indivduo durante a sua interao com o sensor, como diferenas na posio, rotao, distoro da caracterstica biomtrica, ou devido a alteraes na caracterstica biomtrica, como mudanas na geometria da mo, envelhecimento da face, entre outras alteraes. Tal limitao contribui para que indivduos genunos sejam incorretamente rejeitados.

11

Similaridade interclasse: a similaridade interclasse est ligada unicidade da caracterstica biomtrica em uso como, por exemplo, no caso da face, ocorrncia de gmeos na populao. Em um banco de dados grande, a alta similaridade interclasse ir aumentar o nmero de indivduos impostores aceitos. Alm dessas limitaes, certas propriedades podem ser observadas em todos os

sistemas biomtricos. So elas: a) Universalidade, toda pessoa deve ter a caracterstica; b) Unicidade, a caracterstica deve ser nica para cada pessoa; c) Permanncia, a caracterstica no deve mudar com o passar do tempo; d) Coletabilidade, a caracterstica deve poder ser medida quantitativamente; e) Desempenho, a caracterstica deve propiciar uma identificao precisa e em tempo hbil; f) Aceitabilidade, sistemas biomtricos que utilizam a caracterstica devem ser aceitos facilmente pelas pessoas e g) Circunveno, a caracterstica biomtrica deve dificultar ao mximo a possibilidade de fraudes. Na Tabela 1 possvel observar a avaliao das caractersticas biomtricas em relao a essas propriedades [21]. Ao projetar um sistema biomtrico necessrio identificar quais propriedades so importantes para a aplicao em questo. A face, por exemplo, tem uma alta universalidade, porm uma baixa unicidade e uma baixa circunveno. J a ris tem uma alta unicidade e uma alta circunveno, porm uma aceitabilidade menor. A impresso digital, por sua vez, tem uma alta unicidade, porm sua aceitabilidade e circunveno so medianas. preciso, portanto, encontrar o melhor casamento entre uma caracterstica biomtrica e a aplicao em questo, pois nenhuma caracterstica biomtrica pode ser considerada tima [21].

12

Tabela 1: Caractersticas e Propriedades Biomtricas Biometria Universalidade Face Impresso Digital Geometria das Mos ris Retina Assinatura Voz DNA A A B M A A A B B A A M B B A M B A M B A A B B A B B A A B A A B B A M M M A M M M A M Unicidade B A Permanncia M A Coletabilidade A M Performance B A Aceitabilidade A M Circunveno B M

A = Alta, M = Mdia e B = Baixa

2.2.3

Avaliao de Desempenho
Um fabricante de sensores de impresses digitais anunciou em seu site que seu sensor

atingia 0% de taxa de aceitao de impostores e 0% de taxa de rejeio de genunos. Porm, o que, num primeiro momento, parecia ser algo extraordinrio, se revelou algo no to impressionante quando as condies do teste foram analisadas. O teste se baseou no reconhecimento de um indivduo imediatamente aps o seu registro, ou seja, praticamente nenhum espao de tempo se deu entre o registro e o reconhecimento [1]. Alm disso, as taxas de aceitao de impostores e rejeio de genunos se analisadas separadamente nada podem dizer sobre a acurcia de um sistema.

13

Tal fato vem a evidenciar que com a popularizao dos sistemas biomtricos torna-se cada vez mais importante compreender alguns conceitos principais sobre as medidas de desempenho dos sistemas biomtricos. Neste contexto, importante entender inicialmente a diferena entre a avaliao de desempenho dos mtodos tradicionais em relao aos mtodos biomtricos. Enquanto os mtodos tradicionais envolvem sempre uma comparao de igualdade (ou a senha est correta ou no est), com os sistemas biomtricos isso no ocorre. O mdulo de casamento de um sistema biomtrico consiste no clculo de uma pontuao que representa o grau de similaridade entre a imagem template e a imagem de consulta. Devido a essa caracterstica, a avaliao do desempenho de um sistema biomtrico envolve taxas de erro e medidas especficas de desempenho.

2.2.3.1

Taxas de Erro

A deciso de um sistema biomtrico por classificar um indivduo como genuno ou impostor regulada por um limiar (threshold). Dessa forma, se a pontuao de casamento for maior ou igual a esse limiar, o indivduo considerado genuno e, conseqentemente, se for menor que o limiar, o mesmo considerado impostor. Isso faz com que a avaliao do desempenho de um sistema biomtrico envolva duas medidas principais: i) taxa de falsa aceitao (False Acceptance Rate - FAR): refere-se probabilidade de duas imagens de indivduos diferentes serem consideradas semelhantes, ou seja, a probabilidade de se aceitar um indivduo impostor; ii) taxa de falsa rejeio (False Rejection Rate - FRR): probabilidade de duas imagens do mesmo indivduo serem consideradas diferentes, ou seja, a probabilidade de se rejeitar um indivduo genuno. A primeira taxa, FAR, obtida comparando cada template de um indivduo com todos os outros dos demais indivduos. J a segunda taxa, FRR, obtida comparando cada template de um indivduo com todos os outros do mesmo indivduo.

14

Essas taxas podem ser expressas a partir das distribuies das pontuaes obtidas por casamentos genunos e das pontuaes obtidas por casamentos impostores. A Figura 2 mostra um exemplo dessas distribuies.

Probabilidade

Distribuio de Impostores Limiar () Distribuio de Genunos

FAR FRR

Pontuao de casamento Figura 2: Distribuies das pontuaes de casamentos genunos e impostores [21].

Baseando-se no grfico das distribuies, o sistema biomtrico pode mover o valor do limiar para reduzir a taxa de falsa aceitao (FAR), tornando o sistema mais seguro contra impostores, porm aumentando a taxa de falsa rejeio (FRR), tornando o sistema mais inflexvel s variaes intraclasse. Por outro lado, movendo o limiar para o lado oposto, o sistema torna-se menos seguro contra impostores, mas permite maior variabilidade entre os templates do mesmo indivduo (incomodando menos os indivduos genunos). No entanto, uma medida nica pode ser adotada para caracterizar o nvel de segurana de um sistema biomtrico. Trata-se da Taxa de Erro Igual (Equal Error Rate - EER) que denota a taxa de erro a um dado limiar () em que a taxa de falsa aceitao e a taxa de falsa rejeio assumem o mesmo valor: FAR() = FRR() [40]. A Figura 3 apresenta um exemplo das curvas FAR() e FRR(), onde o ponto correspondente ao valor de EER destacado.

15

Erro

FAR()

FRR()

FAR = 0

FRR = 0

EER
Figura 3: Equal Error Rate [33].

importante ressaltar, entretanto, que os requisitos de desempenho de um sistema biomtrico variam de acordo com a aplicao. Em aplicaes forenses, aplicaes que respondem questes de interesse legal, como investigao criminal, a taxa FRR a maior preocupao, pois no se deseja descartar um possvel indivduo genuno, mesmo que seja necessrio manualmente examinar um nmero grande de potenciais casamentos. Num outro extremo, uma taxa FAR muito baixa deve ser o fator mais importante para aplicaes de alta segurana, nas quais o objetivo no deixar impostores entrarem mesmo que se tenha que incomodar muitos indivduos genunos. Entre esses dois tipos de aplicaes, esto as aplicaes civis ou comerciais, nas quais se deve ter um equilbrio entre a taxa FAR e a taxa FRR. Conseqentemente, tais sistemas costumam ter seu limiar ajustado prximo ao valor de EER [33].

2.2.3.2

Medidas de Desempenho

Uma das medidas de desempenho de um sistema biomtrico a Taxa de Recuperao Correta. Essa taxa indica a probabilidade de se obter uma recuperao correta ao realizar a comparao de uma imagem de consulta com todos os templates de um banco de dados (considerando as imagens do mesmo indivduo bem como de indivduos diferentes).

16

Com isso, uma lista de classificao (rank) das impresses digitais ordenada de forma decrescente por similaridade gerada para cada imagem de consulta. E, uma vez obtida essa lista, possvel calcular a posio da primeira resposta correta dentro dela. Dessa forma, se, por exemplo, a primeira imagem da classificao for uma imagem de outro indivduo e a segunda for uma imagem do mesmo indivduo, considera-se que foi necessrio recuperar duas imagens para se obter um casamento genuno, ou seja, considera-se essa imagem de consulta em questo como pertencente ao rank 2. Realizando esse experimento para todas as imagens do banco de dados, possvel identificar quantas imagens pertencem ao rank 1, quantas ao rank 2 e assim sucessivamente at se obter 100% do banco de dados. Para exemplificar tal procedimento, suponha que 95% das imagens pertenam ao rank 1, 3% ao rank 2, e 2% ao rank 3, pode-se dizer que 95% a taxa de recuperao correta para o rank 1 e, conseqentemente, 100% de recuperao correta s obtido quando 3 imagens do banco de dados so recuperadas. Para resumir, no desempenho de um sistema biomtrico utilizando a taxa de recuperao correta, calculada a porcentagem das imagens com rank = 1, rank <=2, rank <=3 at que seja obtida uma taxa de recuperao correta de 100% [5]. Quando isso ocorre, pode-se dizer que esse sistema pertena ao rank em que tal taxa foi obtida. Quando a sada de um sistema biomtrico uma lista de classificao dos mais provveis indivduos, essa medida de desempenho pode ser utilizada. Outra medida de desempenho que pode ser obtida a partir da taxa de recuperao correta a taxa de identificao ou taxa de reconhecimento. Esta taxa representada pela porcentagem de imagens pertencentes ao rank 1, ou seja, a quantidade de imagens cuja primeira imagem da classificao uma imagem genuna. Essa taxa utilizada quando apenas o indivduo do banco de dados de template cuja imagem a mais similar imagem de consulta em questo gerado como sada do sistema.

17

2.3 Consideraes Finais

Neste captulo foi apresentada inicialmente a definio de biometria, depois foram elucidados os principais conceitos envolvendo os sistemas biomtricos. Nesse contexto, foram explicadas as etapas que compem um sistema biomtrico (registro e

autenticao/identificao), foram apresentadas as limitaes (variabilidade intraclasse e similaridade interclasse) bem como as propriedades (aceitabilidade, unicidade, permanncia entre outras) de tais sistemas. Por fim, foram apresentadas as taxas de erros, como a FAR, FRR e a EER e as medidas de desempenho principais (taxa de recuperao correta e taxa de identificao) de um sistema biomtrico.

18

3. Impresses Digitais

Neste captulo so apresentadas inicialmente as caractersticas anatmicas das impresses digitais bem como um resumo histrico do seu uso no reconhecimento de pessoas. Depois, so elucidadas as principais abordagens utilizadas nos mtodos de reconhecimento de impresses digitais e seus desafios. Por fim, so descritos os mtodos baseados em cristas e em mincias, objetos de estudo do presente trabalho.

3.1 Caractersticas Anatmicas das Impresses Digitais

Impresses digitais so os desenhos formados pelas papilas (elevaes da pele), presentes nas polpas dos dedos das mos. A papila uma pequena bolsa de formao neurovascular, que pode conter vasos sangneos ou corpsculos do tato, que se projeta a partir da parte mais profunda da pele, a derme, formando relevos irregulares na camada mais superficial, a epiderme, servindo ainda para aumentar a aderncia entre estas duas camadas. Quando esses relevos tm a forma de uma montanha so chamados de cristas papilares. Quando os relevos se assemelham a um vale so chamados de sulcos interpapilares [42]. A
Figura 4 apresenta o esquema de um corte lateral da pele, onde possvel identificar as

papilas, as cristas (que contm os poros) e os sulcos interpapilares. As cristas papilares so formadas no feto e acompanham a pessoa pela vida toda, sem apresentar grandes mudanas. Elas tm formao cnica e variam em nmero, direo, dimenso e forma. Tais caractersticas tomam forma atravs da combinao de fatores ambientais e genticos de cada indivduo (ditos epigenticos). O cdigo gentico contido no DNA fornece informaes gerais sobre a maneira em que a pele deve ser criada no feto em desenvolvimento. A posio exata do feto no tero em um determinado momento e a densidade e a composio do lquido amnitico ao redor dele determinam como as cristas em

19

cada indivduo iro se formar. Conseqentemente, as impresses digitais so uma marca exclusiva de cada indivduo, mesmo entre gmeos idnticos [15].

Figura 4: Corte lateral da pele [42].

Alm das cristas e dos vales, outras caractersticas estruturais evidentes que so encontradas nas impresses digitais so chamadas mincias. Mincia, no contexto de impresses digitais, se refere aos vrios modos pelos quais uma crista pode se tornar descontnua [33]. Na Figura 5 possvel observar a estrutura de uma impresso digital com suas cristas, vales e mincias.

20

Cristas

Mincia

Vales

Figura 5: Estrutura de uma impresso digital [33].

Embora existam vrios tipos de mincias, o modelo de mincias utilizado pelo FBI e pela maioria dos sistemas biomtricos considera apenas dois deles, terminaes e bifurcaes [57]. Cada mincia representada pelo seu tipo, pelas suas coordenadas x, y e pela orientao da mincia. Cada sistema biomtrico pode representar de forma diferente a orientao dos pontos de mincias. Para o mtodo do software NBIS desenvolvido pelo NIST [41], a orientao de uma mincia do tipo terminao determinada pela medida do ngulo entre o eixo horizontal e a reta que inicia no ponto de mincia em direo ao meio da crista que a originou. E a orientao de uma bifurcao determinada pela medida do ngulo entre o eixo horizontal e a reta que inicia no ponto de mincia em direo ao meio do vale entre a bifurcao. Na Figura 6 possvel observar uma mincia do tipo terminao e uma do tipo bifurcao, bem como suas orientaes de acordo com o software NBIS.

21

Figura 6: Mincia do tipo terminao na imagem esquerda. Mincia do tipo bifurcao na imagem direita. B a orientao da mincia segundo o software NBIS e A representa como outros mtodos podem calcular a orientao da mincia [41].

3.2 Histria do Uso de Impresses Digitais

No existe uma data reconhecida universalmente como sendo o incio do uso das impresses digitais para reconhecimento humano. Entretanto, datas significativas

documentam o uso de impresses digitais para identificao humana, entre elas [33]: Pr-1684: impresses digitais foram descobertas em um grande nmero de registros histricos e arqueolgicos. A Figura 7 ilustra alguns registros arqueolgicos de impresses digitais;

Figura 7: Registros arqueolgicos de impresses digitais [33].

1684: segundo Lee e Gaensslen [31], a conscincia para o fato da individualidade das impresses digitais para fins cientficos s foi despertada no final do sculo XVII. Em 1684, o ingls Nehemiah Grew publicou o primeiro artigo cientfico reportando seu estudo sistemtico sobre as estruturas como cristas, ranhuras e poros de impresses digitais;

22

1788: em 1788 uma descrio detalhada da formao anatmica das impresses digitais foi feita por Mayer, na qual um grande nmero de caractersticas das cristas foi identificado; 1809: em 1809, Thomas Bewick comeou a utilizar sua impresso digital como sua marca registrada, o que foi considerado como um dos mais importantes marcos no estudo cientfico de reconhecimento de impresses digitais [37]; 1823: Jan Evangelista Purkyne, um professor de anatomia da Universidade e Breslau, publicou sua tese discutindo nove padres de impresses digitais, porm, ele no mencionou o uso de impresses digitais para identificar pessoas; 1880: apenas por volta de 1880, Henry Fauld fez a primeira proposta cientfica sobre a individualidade de impresses digitais baseada em observaes empricas [31]. Ele forneceu este conceito para a Polcia Metropolitana de Londres, mas o mesmo foi descartado;

1892: no final do sculo dezenove, Francis Galton conduziu um estudo extensivo sobre impresses digitais e introduziu o uso das mincias no casamento de impresses digitais em 1888. Em 1892, Galton publicou um detalhado modelo estatstico para anlise e identificao de impresses digitais e encorajou o seu uso pela cincia forense em seu livro intitulado Finger Prints;

1892: Juan Vucetich, um policial argentino estudou os padres de Galton e fez a primeira identificao criminal baseada em impresses digitais; 1897: o primeiro departamento de impresses digitais foi aberto em Calcut, ndia, depois da aprovao de um comit para utilizar impresses digitais para classificao de registros criminais; 1899: Edward Henry estabeleceu o conhecido Sistema Henry de classificao de impresses digitais [31] com a ajuda dos indianos do Departamento de Impresses Digitais de Calcut, Haque e Bose;

23

1901: o primeiro departamento de impresses digitais foi aberto na Esccia. O Sistema de Classificao de Henry foi aceito na Inglaterra e pas de Gales; 1902: Dr. Henry P. DeForrest passou a utilizar impresses digitais no Servio Civil de Nova York; 1924: no comeo do sculo vinte, o reconhecimento via impresses digitais estava formalmente aceito como um mtodo vlido de identificao e se tornou rotina em aplicaes forenses. Por exemplo, em 1924, o banco de dados da diviso do FBI continha 810.000 impresses digitais [8][9]; 1960: no incio dos anos 60, o FBI e o Departamento de Polcia de Paris comearam a investir no desenvolvimento de sistemas automticos de identificao de impresses digitais (AFIS) [33]. Em 1965, o FBI instalou sistemas automticos de identificao de impresses digitais, os sistemas AFIS; 2000: o FBI instalou um sistema integrado automtico de identificao de impresses digitais (IAFIS) com um banco de 47 milhes de impresses; mdia de 50.000 pesquisas/dia; tempo de resposta: 2 horas para pesquisa criminal e 24 horas para pesquisa civil [24] devido ao tamanho do banco de dados; Ps-2000: A partir de 2000, as tecnologias de reconhecimento automtico de impresses digitais cresceram rapidamente e avanaram tambm para aplicaes civis. O fato que os sistemas biomtricos baseados em impresses digitais hoje so to populares que eles quase se tornaram sinnimos de biometria [33].

3.3 Desafios do Reconhecimento de Impresses Digitais

O reconhecimento de impresses digitais ainda apresenta desafios nos dias de hoje, principalmente devido grande variabilidade presente em diferentes impresses do mesmo dedo (variabilidade intraclasse). Os principais fatores que contribuem para este problema so [33]:

24

Deslocamento: o usurio no momento da aquisio pressiona o dedo em diferentes localizaes do sensor ocasionando um deslocamento na impresso digital. Um deslocamento de 2 mm (praticamente imperceptvel ao usurio) implica em uma translao de aproximadamente 40 pixels em uma imagem de resoluo de 500 dpi. Rotao: o usurio pressiona o dedo em diferentes angulaes. Rotaes involuntrias de aproximadamente vinte graus so freqentemente encontradas. Sobreposio Parcial: os deslocamentos e rotaes podem fazer com que exista apenas uma pequena rea de sobreposio entre a imagem de template e a imagem de consulta. Este problema se torna ainda mais srio em sensores com uma rea pequena de contato, como os utilizados em notebooks e celulares. Deformao no-linear: a presso do dedo na superfcie bidimensional do sensor provoca deformao. Devido elasticidade da pele, os componentes de fora provocam a compresso e/ou estiramento da impresso digital. Outros problemas como as condies da pele (cicatrizes, oleosidade), os rudos devido sujeira no sensor e at mesmos os erros durante a extrao das caractersticas tambm representam fatores que afetam o reconhecimento de uma impresso digital. Na Figura 8 possvel observar exemplos de dificuldades encontradas no reconhecimento de impresses digitais.

25

Figura 8: Cada linha mostra duas impresses do mesmo dedo retiradas do Banco de Dados DB1- FVC2002 que foram falsamente rejeitadas pela maioria dos algoritmos submetidos competio FVC2002 [12]. As causas principais da dificuldade na etapa de casamento foram: a pequena rea de sobreposio entre as impresses da primeira linha; a alta deformao no-linear da segunda; e as condies da pele muito diferentes da terceira [33].

Cada abordagem de reconhecimento trata de forma diferenciada as variaes anteriormente apresentadas. Porm, todas devem consider-las para que sejam bem sucedidas. Na seo a seguir so elucidadas as principais abordagens utilizadas no reconhecimento de impresses digitais.

3.4 Mtodos para Reconhecimento de Impresses Digitais

De acordo com Maltoni et al. [33], as abordagens utilizadas no casamento automtico de impresses digitais podem ser divididas da seguinte forma:

26

Baseadas em correlao: duas imagens de impresses digitais so sobrepostas e a correlao (no nvel de intensidade de cinza) entre os pixels computada mediante diferentes alinhamentos (deslocamentos e rotaes). Um exemplo da abordagem baseada em correlao a implementao feita por Wilson, Watson e Paek abordada em [33]. Na Figura 9 possvel observar exemplos onde a aplicao da abordagem da correlao bem sucedida e exemplos de quando isso no ocorre.

Figura 9: Cada linha mostra duas impresses do mesmo dedo e o valor absoluto da diferena para seu melhor alinhamento. Em a) as duas imagens so bem semelhantes e suas imagens se correlacionam bem. Em b) e c) devido alta distoro, os resduos so altos e a correlao global falha [33].

Baseadas em mincias: abordagem mais popular e amplamente utilizada. As mincias so extradas das impresses digitais e armazenadas como um conjunto de pontos no plano bidimensional. A fase de casamento consiste em encontrar o alinhamento entre o conjunto de mincias da imagem template e da imagem de consulta que resulta no nmero mximo de pares de mincias. Um exemplo da abordagem baseada em mincias a implementao feita por Jain et al. [25] e outro representado pelo software NIST Biometric Image Software (NBIS) desenvolvido pelo National Institute of Standards and Technology (NIST) [41]. Ambos sero descritos

27

em mais detalhes nas sees 3.4.1.1 e 3.4.1.2 por serem objeto de estudo do presente trabalho. Baseadas nas caractersticas das cristas: as abordagens pertencentes a esta famlia comparam as impresses digitais em termos das caractersticas extradas das cristas como orientao local, freqncia, forma da crista, informao da textura, etc. Uma das pesquisas mais recentes desta abordagem foi realizada por Marana e Jain [34] e faz uso da transformada de Hough. Detalhes da implementao desta abordagem so apresentados em 3.4.2.1 por ser objeto de estudo do presente trabalho.

3.4.1

Mtodos para Reconhecimento de Impresses Digitais Baseados em

Mincias
O reconhecimento de impresses digitais baseado em mincias o mtodo mais conhecido e explorado nos sistemas biomtricos automticos, principalmente por tambm ser o mtodo utilizado pelos especialistas forenses e por sua aceitao como prova de identidade em praticamente todos os pases [33]. Nesta tcnica a representao um vetor de caractersticas de tamanho varivel cujos elementos so compostos pelos descritores das mincias. Por isso, os mtodos dessa

abordagem so baseados em algoritmos de casamento de pontos (point pattern matching), que consistem em encontrar uma transformao (deslocamento, rotao e escala), tal que o conjunto de pontos da imagem template corresponda ao conjunto de pontos da imagem de consulta. Existem diversos algoritmos de reconhecimento de impresses digitais baseado em mincias, dentre eles: A abordagem baseada em relaxao, um algoritmo iterativo que ajusta o nvel de confiana de cada par de pontos baseada em sua consistncia com os outros pares at que um nmero seguro seja satisfeito. Porm, devido a sua natureza iterativa esse

28

algoritmo inerentemente lento. Um exemplo de uso dessa abordagem pode ser encontrado em [50]. Algoritmos baseados no mtodo de poda de rvores (tree pruning) procuram a correspondncia de pares de pontos buscando em uma rvore de possveis casamentos. Porm, para realizar a poda eficientemente, tais algoritmos geralmente impem requisitos como nmero igual de pontos entre as imagens template e de consulta. Requisitos difceis de satisfazer na prtica, especialmente no casamento de pontos de mincias [33]. Existem tambm algoritmos baseados na Transformada de Hough, que se baseiam na deteco de picos no espao dos parmetros de Hough. Porm, quando apenas um pequeno nmero de mincias est disponvel torna-se difcil acumular evidncias suficientes no espao de Hough que indiquem um casamento confivel [33]. O mtodo proposto por Jain et al. [25] que explora as caractersticas das cristas para realizar o pr-alinhamento dos pontos de mincias da imagem de consulta em relao imagem template e, posteriormente, na fase de casamento, transforma cada mincia em um sistema de coordenadas polares. Pelo fato deste ser objeto de estudo do presente trabalho, esse mtodo descrito em detalhes nas sees a seguir. O mtodo utilizado pelo software NBIS [41]. Esse software composto pelo programa Mindtct, para detectar as mincias, e pelo programa Bozorth3, para realizar o casamento. Seu funcionamento baseado na construo de tabelas de compatibilidade de mincias, utilizando para isso medidas relativas de cada mincia com relao a todas as outras. Pelo fato deste ltimo ser objeto de estudo do presente trabalho, esse mtodo descrito em detalhes nas sees a seguir.

3.4.1.1

Mtodo de Jain

A seguir so descritas as etapas de Extrao de Caractersticas e de Casamento do mtodo baseado em mincias proposto por Jain et al. [25].

29

a) Etapa de Extrao de Caractersticas

O estgio de extrao de caractersticas consiste em encontrar as terminaes e as bifurcaes nas cristas. A Figura 10 apresenta os passos do algoritmo de extrao de mincias proposto por Jain et al. [25].

Figura 10: Algoritmo para extrao de caractersticas do mtodo proposto por Jain et al. [25]

Os passos principais para extrao das caractersticas so os seguintes: 1. Clculo do mapa direcional: o mapa direcional uma matriz cujos elementos codificam a orientao local das cristas da impresso digital. Um grande nmero de mtodos tm sido proposto para estimar os mapas direcionais [25]. A Figura 11 apresenta o mapa direcional obtido por meio do algoritmo de implementao hierrquica, utilizado por Jain et al. [25].

30

Figura 11: Mapa direcional [23].

2. Localizao da impresso digital: depois do clculo do mapa direcional, um algoritmo de segmentao baseado no nvel de certeza do mapa direcional utilizado para localizar a impresso digital dentro da imagem obtida pelo sensor. 3. Extrao das cristas: uma importante propriedade das cristas que os nveis de cinza nos pixels das cristas atingem os valores mximos ao longo da direo normal em relao sua orientao. Seguindo essa premissa, Jain et al. [25] propuseram um mtodo no qual os pixels das cristas so identificados utilizando duas mscaras que adaptativamente capturam os valores mximos do nvel de cinza na direo perpendicular orientao da crista. Devido presena de quebras e manchas na imagem, um procedimento heurstico de remoo destes fragmentos aplicado antes do afinamento das cristas. A Figura 12 mostra um exemplo de quebras e manchas removidas de uma impresso digital.

Remoo de manchas

Remoo de quebras

Figura 12: Exemplo de remoo de quebras e manchas nas cristas [23].

31

4. Afinamento das cristas: geralmente as cristas obtidas so submetidas a um estgio de afinamento para que tenham suas larguras reduzidas a um pixel. Na Figura 13 possvel observar: a) uma imagem de impresso digital na escala de cinza; b) a imagem aps a binarizao obtida durante a extrao das cristas e c) a imagem obtida aps o processo de afinamento.

Figura 13: Imagens da impresso digital at o processo de afinamento [33].

5. Extrao das mincias: O pixel de uma crista configura uma terminao se tiver apenas um vizinho preto e uma bifurcao se tiver mais do que dois vizinhos pretos. Existem vrias formas para representar uma mincia, sendo que a mais comum armazena apenas as coordenadas espaciais (x,y). No algoritmo proposto por Jain et al. [25], para cada mincia detectada, os seguintes parmetros so armazenados: i) coordenada x; ii) coordenada y; iii) orientao local da crista (explicada na seo 3.1) e iv) o segmento associado crista (aproximadamente dez pontos eqidistantes uns dos outros pela mdia da distncia intercristas, amostrados da crista associada mincia). A Figura 14 apresenta um ponto de mincia detectado e a sua crista associada.

Figura 14: Mincia detectada e sua crista associada [33].

32

b) Etapa de Casamento
A etapa de casamento deste mtodo consiste basicamente das seguintes etapas principais: 1. Alinhamento: para cada mincia da imagem de consulta em relao a cada mincia da imagem de template gerada uma hiptese de alinhamento (parmetros de translao e rotao) e o conjunto de mincias de consulta alinhado segundo essas transformaes. Para estimar esses parmetros de alinhamento, ao invs de testar todas as possveis correspondncias entre dois pontos utilizando suas coordenadas espaciais (x, y), utilizado o segmento de crista associado aos pontos de mincias. Isto se deve ao fato de que segmentos de curva so capazes de alinhar dois padres de pontos com uma alta acurcia, mesmo na presena de rudos e deformaes [25]. A Figura 15 mostra o alinhamento de uma crista de consulta e uma crista de template. O algoritmo que realiza o alinhamento apresentado pode ser encontrado de forma completa em [25].

Figura 15: Alinhamento de uma crista de consulta com uma crista template, onde mi uma mincia pertencente imagem template e mj pertence imagem de consulta [25].

33

2. Para cada hiptese de alinhamento, os conjuntos de pontos de mincias da imagem de consulta e de template so representados como uma cadeia no sistema de coordenadas polares com a origem sendo os pontos de mincia de referncia (pontos de mincia utilizados para gerar o alinhamento). As cadeias de mincias da imagem de template e de consulta so, ento, concatenadas na ordem crescente de seus ngulos, como ilustra a Figura 16.

(r5,e5,5)

(r3,e3,3) (r4,e4,4)

(r2,e2,2) (r3,e3,3) (r2,e2,2)

(r5,e5,5) (r6,e6,6)

(r4,e4,4)

(r1,e1,1) (r1,e1,1)

(r6,e6,6)

(r7,e7,7) (r7,e7,7)

Figura 16: Formao da cadeia com os pontos de mincias [25].

3. Se dois conjuntos de pontos de mincias so alinhados completamente, ento cada par de pontos correspondente coincide perfeitamente. Neste caso, o casamento pode ser alcanado simplesmente contando-se o nmero de pares sobrepostos. Porm, na prtica, essa situao no encontrada devido, principalmente, s deformaes. Sendo assim, para poder ser mais tolerante a erros inerentes da deformao e dos rudos, utilizada uma caixa de tamanho ajustvel dentro da qual pontos coincidentes so procurados. A Figura 17 apresenta uma caixa de tamanho ajustvel. 4. Por fim, a pontuao da melhor hiptese de casamento gerada por meio de um algoritmo de programao dinmica (distncia de edio).

34

O algoritmo para extrao das caractersticas e para o casamento de impresses digitais proposto por Jain et al. pode ser encontrado de forma completa em [25].

Mincia Template Mincia de Consulta

Mincia de Referncia Figura 17: Caixas de tamanhos ajustveis utilizadas durante o casamento de pontos de mincias [25].

3.4.1.2

Mtodo do software NBIS

O software NBIS [41], gratuito e de cdigo aberto desenvolvido pelo NIST, composto de dois programas principais que so utilizados no reconhecimento de impresses digitais: Mindtct: responsvel pela deteco das mincias. Esse programa tem como entrada uma imagem de impresso digital e como sada um arquivo texto com o conjunto de pontos de mincias detectados com seus descritores: coordenadas x,y e a orientao da mincia. Bozorth3: uma verso modificada do algoritmo proposto por Allan S. Bozorth [56]. Esse programa responsvel pelo casamento de dois conjuntos de mincias. Ele tem como entrada o arquivo texto gerado pelo programa Mindtct e gera como sada uma pontuao de casamento.

35

a) Etapa de Extrao de Caractersticas Programa Mindtct

O estgio de extrao de caractersticas consiste em encontrar os pontos de mincias de uma impresso digital. A Figura 18 apresenta os passos para deteco de mincias do programa Mindtct:

Figura 18: Passos para deteco de mincias do programa Mindtct.

Os passos principais para extrao das caractersticas so apresentados em mais detalhes a seguir: 1. Gerao do mapa direcional: o mapa direcional registra a orientao global do fluxo das cristas. Para isso, a imagem dividida em blocos e todos os pixels de um bloco so assinalados com o mesmo resultado (mesma direo da crista). Mais detalhes sobre a gerao do mapa direcional podem ser obtidos em [56].

36

2. Binarizao da imagem: o algoritmo de deteco de mincias opera em imagens binarizadas. Para isso, os pixels das cristas so analisados e assinalados como preto ou branco. Esse processo feito tendo como base a direo da crista associada ao bloco ao qual cada pixel pertence (calculada no passo anterior). Mais detalhes sobre o processo de binarizao da imagem podem ser obtidos em [56]. A Figura 19 ilustra os resultados obtidos aps a binarizao de uma imagem.

Figura 19: Imagem original em escala de cinza esquerda e a imagem resultante da binarizao direita [56].

3. Deteco de Mincias: nesta etapa, a imagem binarizada analisada procura de padres de pixels que indiquem uma terminao ou uma bifurcao. Um atributo indicando o status aparecendo/desaparecendo associada a cada mincia para posterior clculo da orientao das mesmas. A Figura 20 apresenta os padres de pixels utilizados para identificar uma mincia.
1. Terminao (aparecendo) 2. Terminao (desaparecendo) 3. Bifurcao (desaparecendo) 4. Bifurcao (aparecendo) 5. Bifurcao (desaparecendo)

6. Bifurcao (desaparecendo)

7. Bifurcao (aparecendo)

8. Bifurcao (aparecendo)

9. Bifurcao (desaparecendo)

10. Bifurcao (aparecendo)

Figura 20: Padres de pixels utilizados para determinar as mincias [56].

37

4. Remoo de Falsas Mincias: Neste passo, uma srie de algoritmos para remover mincias esprias como lagos, quebras, ganchos, mincias muito curtas, entre outras, so empregados. Mais detalhes sobre a remoo de mincias podem ser obtidos em [56]. A Figura 21 apresenta alguns exemplos de mincias esprias.

a)

b)

c)

Figura 21: Exemplos de mincias esprias: a) gancho; b) quebra; c) lago [56].

5. Contagem de Mincias Vizinhas: Neste passo, o programa identifica e registra as oito mincias mais prximas e o nmero de cristas existentes entre cada mincia e a sua vizinha. Esses dados sero utilizados na etapa de casamento explicada a seguir. 6. Sada do arquivo com as mincias detectadas: As mincias detectadas so escritas em um arquivo com extenso .xyt, formatado para ser utilizado junto ao programa Bozorth3. Este arquivo contm uma mincia por linha e em cada linha o descritor da mincia (coordenada x,y e a orientao ).

b) Etapa de Casamento Programa Bozorth3

O estgio de casamento consiste em calcular a pontuao de casamento entre os pontos de mincias de duas impresses digitais. Esta etapa realizada pelo programa Bozorth3, que utiliza como entrada os arquivos com extenso .xyt gerados pelo programa

38

Mindtct e uma caracterstica importante sua invarincia tanto em relao rotao quando translao. A Figura 22 apresenta os passos para o casamento de impresses digitais do programa Bozorth3:

Figura 22: Passos para o casamento de impresses digitais do programa Bozorth3.

Os passos principais para casamento de impresses digitais so apresentados em mais detalhes a seguir: 1. Construo das Tabelas Intra-Fingerprint Minutiae: O primeiro passo computar as medidas relativas de cada mincia em relao a todas as outras mincias em uma impresso digital. Essas medidas relativas so armazenadas numa tabela denominada Intra-Fingerprint Minutiae, sendo, geradas, portanto, uma tabela para a imagem template e uma para a imagem de consulta. So essas tabelas que possibilitam a invarincia de rotao e translao. A Figura 23 exemplifica as medidas relativas de duas mincias. Nessa figura, temos a mincia k, no canto inferior esquerdo, e a mincia j no canto superior direito. As medidas relativas calculadas foram: a distncia dkj entre as duas mincias; 1 e 2 que medem o ngulo da orientao de cada mincia em relao linha de conexo entre elas; k e j que se referem posio das mincias na impresso digital; kj que define a orientao da linha de conexo entre as duas mincias. Dessa forma, para cada par de mincias, uma nova entrada em ordem crescente da distncia na tabela das mincias realizada consistindo de {dkj, 1, 2, k , j, kj}.

39

Figura 23: Exemplo das medidas relativas utilizadas na construo da tabela Intra-Fingerprint Minutiae [56].

2. Construo da Tabela de Compatibilidade entre as impresses digitais: Neste passo utiliza-se as tabelas das mincias da impresso digital template e da impresso digital de consulta e procura-se por entradas compatveis. A Figura 24 exemplifica duas impresses do mesmo dedo com pequena diferena de rotao e escala. Nessa figura, temos uma entrada m da tabela das mincias da impresso digital de consulta representada por Pm e uma entrada n da tabela das mincias da impresso digital template representada por Gn. Para verificar a compatibilidade entre as medidas da entrada Pm com as medidas da entrada Gn, trs testes so efetuados: o primeiro verifica se a diferena entre as distncias d(Pm) e d(Gn) esto dentro de um limiar de tolerncia; o segundo teste verifica se a diferena entre os ngulos 1(Pm) e 1(Gn) esto dentro de outro limiar de tolerncia; e o ltimo realiza a mesma operao para os ngulos 2(Pm) e 2(Gn). Se as entradas Pm e Gn passarem pelos testes, uma entrada realizada na Tabela de Compatibilidade dessas duas impresses digitais.

40

Figura 24: Exemplo de duas impresses digitais do mesmo dedo com variaes de rotao e escala. Cada impresso contempla tambm um exemplo de entrada em suas respectivas tabelas das mincias (IntraFingerprint Minutiae Table) [56].

3. Clculo da Pontuao de Casamento: A tabela de compatibilidade entre as impresses digitais construda no passo anterior representa uma lista de associaes entre dois pares de mincias que potencialmente se correspondem. Estas associaes representam ligaes nicas em um grafo de compatibilidade. Para ento, determinar quo similares estas duas impresses digitais so, este grafo percorrido a fim de encontrar o caminho mais longo entre essas associaes (caminho com maior nmero de associaes). Os detalhes da implementao do programa Mindtct bem como do programa Bozorth3 podem ser encontrados de forma completa no CD do software NBIS obtido pelo endereo http://www.itl.nist.gov/iad/894.03/nigos/nbis.html.

41

3.4.2 Cristas

Mtodos para Reconhecimento de Impresses Digitais Baseado em

As caractersticas mais comumente utilizadas das cristas para o reconhecimento de impresses digitais so: o tamanho, a forma externa da impresso digital, a textura e os poros de transpirao. Diversos algoritmos que fazem uso dessas caractersticas foram propostos, entre eles: O mtodo de Stosz e Alyea [49], apud [33], que usa os poros de transpirao e, portanto, requer leitores de alta resoluo. Texturas so definidas pela repetio espacial de elementos bsicos e so caracterizadas por propriedades como escala, orientao, freqncia, simetria, entre outras. As cristas so descritas principalmente pela orientao e freqncia. Com base nisso, o mtodo proposto por Jain, Ross e Prabhakar [22] extrai a informao da textura da impresso digital por meio de filtros de Gabor. Sendo que as mincias so utilizadas para realizar o alinhamento das impresses digitais. Marana e Jain [34] apresentaram um mtodo desta categoria que faz uso dos pixels das cristas e de retas que passam pelos pixels das cristas calculadas por meio da Transformada de Hough. Pelo fato deste mtodo ser o objeto de estudo do presente trabalho, ele ser explicado em mais detalhes na seo a seguir.

3.4.2.1

Mtodo Baseado em Cristas proposto por Marana e Jain

Nesta subseo so descritas as etapas de Extrao de Caractersticas e de Casamento do mtodo baseado em cristas proposto por Marana e Jain [34].

a) Etapa de Extrao de Caractersticas

No mtodo proposto por Marana e Jain [34], o estgio de extrao de caractersticas consiste de quatro passos principais:

42

1. Extrao das cristas: esta fase faz uso do algoritmo de extrao de cristas do mtodo proposto por Jain et al. [25] e apresentado na seo 3.4.1. Esse algoritmo retorna uma lista contendo as cristas detectadas e afinadas da imagem da impresso digital. 2. Extrao das retas que passam pelas cristas: esta fase extrai as retas que passam pelos pixels das cristas. Na Figura 25 possvel observar uma crista previamente afinada com as suas retas detectadas.

Figura 25: esquerda, as cristas detectadas; direita, as retas que passam pela crista em destaque [34].

Para detectar as retas, a transformada de Hough (TH), aplicada em cada crista separadamente. A TH permite a deteco de curvas que so facilmente parametrizadas (retas, crculos, elipses). No caso de retas, a equao =xcos+ysen geralmente utilizada (onde a distncia da reta origem e a orientao do vetor normal reta). Na Figura 26 possvel visualizar os parmetros da equao da reta, bem como o mapeamento de dois pontos pertencentes reta do domnio espacial para o domnio de Hough. Utilizando uma matriz acumuladora HS, o procedimento de Hough examina cada pixel de uma dada crista e incrementa os elementos HS (r, t) que correspondem a todas as retas que passam por este pixel, onde r e t so os valores quantizados de e , respectivamente.

y2sin()+ x2cos() x1, y1 x2, y2 y1sin()+ x1cos()

Figura 26: Mapeamento de pontos de uma reta do domnio espacial para o domnio da transformada de Hough.

43

3. Deteco de picos do Espao de Hough: depois que todos os pixels de uma determinada crista so processados, realizada uma busca no acumulador e um limiar (threshold) utilizado para indicar os picos (valores mximos no acumulador). Os picos indicam os parmetros das retas mais provveis que passam por uma determinada crista. 4. Classificao das Cristas: as retas mais provveis (picos do Espao de Hough) detectadas de cada crista so, ento, utilizadas para classific-la em categorias de curvaturas (categoria 1 so cristas praticamente retas e categoria 5 so cristas quase circulares).

b) Etapa de Casamento
A etapa de casamento deste mtodo consiste de dois passos principais: 1. Alinhamento: os parmetros das transformaes de translao e rotao so estimados e a impresso digital de entrada alinhada com o template de acordo com essas transformaes. Para estimar esses parmetros so utilizados os picos do Espao de Hough da impresso template (St) e de consulta (Sq) calculados na etapa de extrao de caractersticas.

A rotao pode ser facilmente estimada utilizando um espao de parmetros unidimensional, onde, para cada par de picos (qi, ti), com qi Sq e ti St, a clula do acumulador de rotao R(ti-qi) incrementada. Na Figura 27 possvel observar como as retas que passam pelas cristas so utilizadas no clculo da rotao.

Figura 27: Clculo da rotao baseado nos picos do espao de Hough [34].

44

A translao, por sua vez, requer um espao de parmetros bidimensional, TR, onde cada par de picos de Sq da mesma crista (par de retas que passam pela crista) rotacionado de acordo com o ngulo de rotao calculado no passo anterior. Ento, o ponto de interseco, pq, das duas retas correspondentes a esse pico computado. O mesmo procedimento realizado para cada par de picos de St, onde pt o ponto de interseco das duas retas que correspondem a esses picos. A clula do acumulador de translao TR (pty-pqy, ptx-pqx) , ento, incrementada por um peso baseado no tamanho mximo das retas utilizadas para encontrar os pontos de interseco pq e pt. Na Figura 28 possvel observar um exemplo de ponto de interseo de duas retas que passam pela mesma crista.

Figura 28: Pontos de interseco entre duas retas que passam pela mesma crista utilizados para clculo da translao [34].

Os espaos dos parmetros R e TR acumulam evidncias sobre os parmetros mais provveis de rotao e translao, respectivamente. Um limiar , ento, utilizado e apenas os parmetros maiores que esse limiar so considerados como possveis parmetros de alinhamento. Na Figura 29 possvel observar um exemplo de alinhamento obtido para duas impresses digitais de um determinado indivduo.

Figura 29: a) Impresso digital de entrada; b) Impresso digital de template e c) Alinhamento obtido [34].

45

2. Casamento: Para cada trio ( , x, y) calculado no passo anterior, a imagem de consulta alinhada imagem de template e a pontuao de casamento calculada tendo como base o nmero de cristas que casaram entre essas duas imagens. Para isso, uma matriz de alinhamento de cristas, Cm,n, computada, onde m e n so os nmeros de cristas detectadas na imagem de consulta e na imagem template, respectivamente. Sendo assim, o elemento (i,j) da matriz C indica quantos pixels da crista i da imagem de entrada coincidem com os pixels da crista j da imagem de template [34]. Uma caracterstica importante dessa matriz que se a imagem de consulta e de template forem a mesma, C uma matriz diagonal, onde o elemento k da diagonal exatamente o nmero de pixels da crista k. Por isso, para um alinhamento genuno, esperado que C tenha os valores mais altos na diagonal principal, enquanto que em um alinhamento impostor, esperado que C tenha valores baixos e espalhados por toda matriz [34]. A pontuao de casamento , ento, calculada a partir da matriz C. A Figura 30 apresenta duas matrizes de alinhamentos de cristas, para casamento genuno e impostor.

(a)

(b)

Figura 30: Matrizes de alinhamento de cristas. a) Casamento genuno; b) Casamento impostor [34].

Os detalhes da implementao deste mtodo tanto da fase de extrao das caractersticas quanto da fase de casamento podem ser encontrados em [34].

46

3.5 Consideraes Finais

Neste captulo foram descritas as caractersticas de uma impresso digital (cristas, vales e mincias) e, apresentado um breve histrico do uso de impresses digitais. Em seguida, foram elucidados os principais desafios envolvendo o reconhecimento automtico de impresses digitais (transformaes, deformao, condies da pele, etc.) e as principais abordagens utilizadas no reconhecimento de impresses digitais. Neste contexto, uma breve reviso da literatura sobre os mtodos baseados em mincias foi apresentada, sendo detalhados os mtodos objetos de estudo do presente trabalho: mtodo proposto por Jain et al. [25] e o software NBIS [41]. Por fim, uma breve reviso da literatura dos mtodos baseados em cristas foi apresentada, sendo detalhado o mtodo objeto de estudo do presente trabalho: mtodo proposto por Marana e Jain [34].

47

4. Multibiometria

Neste captulo apresentada inicialmente uma introduo sobre multibiometria, abordando seu conceito e as principais vantagens de seu uso. Em seguida, so elucidados os cenrios e nveis de fuso dos sistemas multibiomtricos, sendo explicadas as tcnicas de fuso que foram utilizadas no presente trabalho. Depois, so apresentados os desafios dos sistemas multibiomtricos. Por fim, apresentada uma breve reviso da literatura sobre o uso da multibiometria, tendo como foco trabalhos sobre reconhecimento de impresses digitais.

4.1 Introduo
Uma das perguntas feitas por Maltoni et al. [33] foi Como a acurcia de um sistema de reconhecimento baseado em impresses digitais pode ser melhorada?. Eles salientaram que se torna extremamente difcil aumentar significativamente a acurcia utilizando apenas um identificador biomtrico, uma nica forma de representao e um nico algoritmo de casamento, e indicaram a utilizao da multibiometria como uma possvel resposta. O termo multibiometria denota a fuso de diferentes tipos de informao em um nico sistema de reconhecimento biomtrico [47]. Dentre as principais vantagens do uso de sistemas multibiomtricos destacam-se [47]: Sistemas multibiomtricos podem melhorar significativamente a acurcia de um sistema de reconhecimento dependendo da informao que est sendo combinada e a metodologia adotada para a fuso;

48

Sistemas multibiomtricos podem tratar a questo da no universalidade ou da cobertura populacional insuficiente; Sistemas multibiomtricos podem ser mais tolerantes ao problema de dados ruidosos, ao trabalhar com diferentes extratores de caractersticas e diferentes formas de representao; Sistemas multibiomtricos tambm so considerados mais tolerantes a falhas, uma vez que diante da falha de um dos algoritmos ou de um dos sensores, os demais podem continuar operando. Isto especialmente importante em aplicaes em larga escala.

4.2 Sistemas Multibiomtricos

O uso de sistemas multibiomtricos vem sendo considerado uma tendncia praticamente inevitvel para o aprimoramento do desempenho dos sistemas biomtricos. Jain, Ross e Prabhakar [22] consideram que sendo a Biometria escolhida para exercer funes cruciais na sociedade apenas uma questo de tempo para sistemas multibiomtricos comearem a impactar o modo como o gerenciamento de identidade no sculo 21 ser realizado. Krivec et al. [28] ressaltam que mtodos hbridos de reconhecimento de impresses digitais so uma poderosa ferramenta para aplicaes de alta segurana, onde a confiabilidade de um nico mtodo no suficiente. Wan e Zhou [54] concluem que utilizar mais informaes ao invs de apenas mincias muito til para aplicaes de reconhecimento de impresses digitais em larga escala. Ross, Nandakumar e Jain [47] ponderam que tempo de parar de discutir qual mtodo o melhor porque isto depende do contexto e do objetivo do sistema biomtrico. Ao invs disso, deve-se trabalhar para descobrir como construir sistemas capazes de explorar os diferentes pontos fortes e contornar as diferentes limitaes de cada um dos mtodos.

49

Para que seja possvel entender os principais conceitos que envolvem a multibiometria e os sistemas biomtricos, so apresentados nas sees seguintes os cenrios, os nveis e as tcnicas de fuso possveis em um sistema biomtrico.

4.2.1

Cenrios de Fuso
Existem seis cenrios nos quais mltiplas fontes de informaes podem ser fundidas: 1. Multisensores: um mesmo identificador biomtrico adquirido por mltiplos sensores; 2. Multi-algoritmos: um mesmo identificador biomtrico processado utilizando-se mltiplos algoritmos; 3. Multi-unidades: mltiplas instncias de um identificador biomtrico so utilizadas; 4. Multi-amostras: mltiplas amostras da mesma caracterstica biomtrica so adquiridas pelo mesmo sensor para se obter uma representao mais completa ou considerar possveis variaes; 5. Multi-modalidades: biomtricos. 6. Hbridos: sistemas que integram um subconjunto dos cinco cenrios previamente apresentados. A Figura 31 apresenta os cenrios nos quais mltiplas fontes de informaes podem estes sistemas combinam diferentes identificadores

ser fundidas.

4.2.2

Nveis de Fuso
Os nveis de fuso podem ser classificados em fuso antes do casamento e fuso aps

o casamento [46]: Fuso antes do casamento:

50

o Nvel de sensor: os dados brutos dos sensores so combinados. Porm, sempre envolve custo de sensores adicionais e diminui a convenincia para o usurio. o Nvel das caractersticas: diferentes conjuntos de caractersticas so combinados resultando em um nico vetor de caractersticas. Por exemplo, cdigo da ris do olho direito e do olho esquerdo podem ser utilizados para formar um nico cdigo para o indivduo. importante salientar que quando os conjuntos de caractersticas so incompatveis, esse nvel de fuso se torna invivel. Um exemplo de conjuntos de caractersticas incompatveis os de pontos de mincias das impresses digitais em relao s autofaces das faces [33]. Fuso aps o casamento: o Nvel de Pontuao (Score): as pontuaes de diferentes algoritmos de casamento, que indicam a similaridade entre a imagem de consulta e de template, so integradas. Depois do nvel das caractersticas, as pontuaes de casamento contm a informao mais rica sobre o padro a ser reconhecido. Por isso, geralmente esta a abordagem mais utilizada em sistemas multibiomtricos. o Nvel de Deciso: as decises de diferentes sistemas biomtricos so consideradas para se apurar uma nica deciso. Tambm conhecido como nvel abstrato, esse nvel de fuso a nica opo possvel em sistemas biomtricos comerciais que fornecem apenas a deciso final como sada. o Nvel de Classificao (Rank): quando a sada de cada sistema biomtrico um subconjunto de provveis casamentos ordenados em ordem decrescente de confiana, a fuso no nvel de classificao pode ser realizada.

51 Multisensores

ptico

Estado Slido

Multi-modalidades Multi-algoritmos

Sistemas
Baseado em Baseado Mincias em Filtros

Face

ris

Multibiomtricos

Multi-unidades
Indicador Esquerdo

Multi-amostras

Perfil Esquerdo Indicador Direito

Frente

Perfil Direito

Figura 31: Possveis cenrios de sistemas multibiomtricos [47].

A Figura 32 apresenta os vrios nveis de fuso que so possveis no contexto de um sistema multibiomtrico.
Fuso Biomtrica

Antes do Casamento

Aps o casamento

Nvel de Sensor
Dados Brutos

Nvel de Caracterstica
Conjunto de Caractersticas

Nvel de Pontuao
Pontuao de Casamento

Nvel de Classifica
Classes mais provveis

Nvel de Deciso
Rtulos das Classes

Figura 32: Possveis nveis de fuso [45].

Nas prximas subsees os nveis e as tcnicas de fuso utilizadas no presente trabalho so apresentados em detalhes.

52

4.2.2.1

Nvel de Classificao (Rank)

A sada do mdulo de casamento de um sistema biomtrico pode ser uma lista de classificao (rank) dos indivduos registrados na base de dados. O objetivo da fuso em nvel de classificao consiste em consolidar as classificaes obtidas individualmente pelos mtodos a fim de derivar uma classificao consensual para cada indivduo. O diagrama apresentado na Figura 33 apresenta de forma resumida como a fuso no nvel de classificao (rank) acontece:
Extrator de Caractersticas

Mdulo de Casamento

Classificao Mdulo de Fuso Mdulo de Deciso Identidade

Extrator de Caractersticas

Mdulo de Classificao Casamento Figura 33: Diagrama funcional da fuso em nvel de classificao.

A implementao deste nvel de fuso consiste em calcular a classificao final para cada uma das amostras do banco de dados. Portanto, para cada amostra do banco de dados obtida uma lista com as demais amostras ordenadas em ordem decrescente por similaridade, ou seja, a amostra que resulta na melhor pontuao de casamento se posiciona em primeiro lugar, a amostra que resulta na segunda melhor pontuao de casamento se posiciona em segundo lugar, e assim sucessivamente. A Tabela 2 apresenta um exemplo da classificao gerada por dois mtodos para uma determinada amostra.
Tabela 2: Exemplo de lista de classificao. Mtodo 1 Amostra 1 - Usurio 1 Classificao 1 2 3 Amostra Amostra 2 - Usurio 1 Amostra 6 - Usurio 1 Amostra 1 - Usurio 2 Pontuao Casamento Classificao 0,4548 0,3503 0,3479 1 2 3 Mtodo 2 Amostra 1 - Usurio 1 Amostra Amostra 1 - Usurio 2 Amostra 8 - Usurio 1 Amostra 1 - Usurio 3 Pontuao Casamento 45 41 37

Para que as tcnicas de fuso no nvel de classificao possam ser utilizadas, a classificao para todas as amostras obtida para todos os mtodos a serem utilizados na

53

fuso. As tcnicas de fuso propostas por Ho, Hull e Srihari [16] so descritas a seguir por serem objeto de estudo e avaliao no presente trabalho.

a) Classificao mais Alta

A tcnica Classificao mais Alta [16] consiste na fuso das classificaes obtidas pelos diferentes mtodos para cada amostra de forma que a melhor classificao associada amostra. A Tabela 3 ilustra um exemplo de como seria a classificao obtida por esta tcnica tendo como base as classificaes da Tabela 2.
Tabela 3: Exemplo de lista de classificao aps a fuso pela tcnica de classificao mais alta. Lista de classificao da Amostra 1 Usurio 1 Imagem Amostra 2 - Usurio 1 Amostra 1 - Usurio 2 Classificao Mtodo 1 1 3 Classificao Mtodo 2 4 1 Classificao Fuso 1 1 Classificao Final Fuso 1 2

Nesta tcnica, os desempates so realizados de forma randmica, sem privilegiar nenhum dos mtodos conforme sugerido em [47].

b) Contador do Borda
A tcnica Contador do Borda [16] utiliza a soma das classificaes obtidas pelos mtodos que sero combinados. A Tabela 4 ilustra um exemplo de como seria a classificao de fuso obtida por esta tcnica tendo como base as classificaes da Tabela 2.
Tabela 4: Exemplo de lista de classificao obtida aps a fuso pela tcnica contador do Borda. Lista de classificao da Amostra 1 Usurio 1 Imagem Amostra 1 Usurio 2 Amostra 2 Usurio 1 Amostra 8 Usurio 1 Classificao Mtodo 1 3 1 4 Classificao Mtodo 2 1 4 2 Classificao Fuso 4 5 6 Classificao Final Fuso 1 2 3

54

c) Regresso Logstica
A tcnica Regresso Logstica refere-se a uma generalizao do mtodo de Borda no qual um peso associado para cada mtodo. A Tabela 5 ilustra um exemplo de como seria a classificao obtida pela tcnica Regresso Logstica com pesos de 46% e 54% para o mtodo 1 e para o mtodo 2 respectivamente, tendo como base as classificaes da Tabela 2.
Tabela 5: Exemplo de lista de classificao aps a fuso pela regresso logstica com pesos de 46% para o mtodo 1 e 54% para o mtodo 2. Lista de classificao da Amostra 1 Usurio 1 Imagem Amostra 1 Usurio 2 Amostra 2 Usurio 1 Amostra 8 Usurio 1 Classificao Classificao Mtodo 1 Mtodo 2 3 1 4 1 4 2 ClassificaoFuso 1,92 2,62 2,92 ClassificaoFinal Fuso 1 2 3

4.2.2.2

Nvel de Deciso

Muitos sistemas biomtricos comerciais fornecem apenas a deciso final como sada. Essa deciso final representa a identidade do indivduo cuja amostra de template melhor casou com a amostra de consulta. A fuso em nvel de deciso objetiva consolidar as decises obtidas individualmente pelos diferentes mtodos a fim de derivar uma deciso consensual. O diagrama apresentado na Figura 34 apresenta de forma resumida como a fuso no nvel de deciso acontece.
Extrator de Caractersticas

Mdulo de Casamento

Mdulo de Deciso Mdulo de Fuso Identidade

Extrator de Caractersticas

Mdulo de Casamento

Mdulo de Deciso

Figura 34: Diagrama funcional da fuso em nvel de deciso.

55

A tcnica de fuso denominada Deciso Bayesiana apresentada por Xu, Krzyzak e Suen [59] descrita a seguir por ser objeto de estudo e avaliao no presente trabalho.

a) Deciso Bayesiana
Esta tcnica de fuso consiste em transformar os rtulos de deciso (classes) de cada mtodo em valores de probabilidade. Para isso necessria uma fase de treinamento onde a matriz de confuso calculada para cada mtodo [6]. Para exemplificar esta tcnica, considere um banco de dados com 100 usurios e 8 amostras por usurio. Considerando este caso, as matrizes de confuso dos diferentes mtodos que sero combinados (CM ) tm a dimenso 100 x 100. Dessa forma, cada elemento CM i,j denota a quantidade de vezes que o usurio i foi reconhecido como sendo o usurio j pelo mtodo r. Portanto, os valores dos elementos da diagonal principal representam os reconhecimentos corretamente realizados. Na Figura 35 possvel visualizar um exemplo de duas matrizes de confuso. Pode-se observar que na primeira matriz o usurio de nmero 1 foi corretamente identificado quatro vezes e foi erroneamente identificado como sendo o usurio de nmero 2 uma vez. Na segunda matriz o usurio de nmero 1 foi identificado corretamente trs vezes e erroneamente identificado como sendo o usurio de nmero 2 tambm uma vez.
r r

1 2 ... 100

CM 1 1 2 ... 4 1 ... 0 5 ... 1 0 ...

100 0 0 3

1 2 100 ...

CM 2 1 2 ... 3 1 ... 0 4 ... 1 0 ...

100 0 1 3

Figura 35: Exemplos de matrizes de confuso.

Uma vez gerada a matriz de confuso para cada um dos mtodos na fase de treinamento, as seguintes probabilidades so calculadas:

56

a. Probabilidade a priori (incondicional): a probabilidade a priori, P( wu ) , de cada classe (indivduo) wu dada pelo nmero total de imagens de cada usurio utilizadas na fase de treinamento dividido pelo total de imagens de todos os usurios da fase de treinamento. Por exemplo, se forem utilizadas 5 imagens por usurio para a fase de treinamento e existirem 100 usurios na base de dados, a probabilidade a priori de cada indivduo ser 5 / (5 x 100) = 1%. b. Uma vez geradas as decises de cada um dos mtodos d = [d1,..., dr], as probabilidades posteriores (condicionais) P (dj | wu) (d representando as decises e w os indivduos) podem ser estimadas a partir das matrizes de confuses. A Tabela 6 apresenta as probabilidades posteriores a serem calculadas para um exemplo em que d1 = 1 e d2 = 2:

Tabela 6: Exemplo de probabilidades posteriores a serem calculadas para a tcnica de fuso deciso bayesiana. P (d1 = 1 | w = 1) P (d1 = 1 | w = 2) P (d1 = 1 | w = 3) ... P (d1 = 1 | w = 100) P (d2 = 2 | w = 1) P (d2 = 2 | w = 2) P (d2 = 2 | w = 3) ... P (d2 = 2 | w = 100)

Continuando o exemplo apresentado no item a) em que so utilizadas 5 imagens por usurio para a fase de treinamento e considerando-se que as matrizes de confuso CM1 e CM2 da Figura 35 representam a matriz de confuso do mtodo 1 e do mtodo 2, respectivamente, a probabilidade condicional P (d1 = 1 | w = 1) seria expressa pelo elemento CM11,1 dividido pelo nmero total de imagens do usurio 1 utilizado na fase de treinamento, ou seja, 4 / 5 = 80%. J a probabilidade condicional P (d2 = 2 | w = 1) seria expressa pelo elemento CM21,2 dividido pelo nmero total de imagens do usurio 2 utilizado na fase de treinamento, ou seja, 1 / 5 = 20%.

57

c. Assumindo que os mtodos so independentes, a regra de deciso conhecida como Naive-Bayes (Bayes simplificado) pode ser utilizada e a seguinte probabilidade calculada:

P ( d | wu ) = P ( d1 ,..., d r | wu ) = P ( d j | wu )
j =1

(1)

Seguindo o mesmo exemplo do item a), as seguintes probabilidades so calculadas: Probabilidade P(d | w1): P (d1 = 1 | w = 1) x P (d2 = 2 | w = 1) = 80% x 20% = 16%. Probabilidade P(d | w2): P (d1= 1 | w = 2) x P (d2 = 2 | w = 2) = 0% x 80% = 0%. d. A funo discriminante de cada usurio (classe) ento calculada utilizando a probabilidade descrita na equao (1) e a probabilidade a priori seguindo a equao a seguir:

g u = P (d | wu ) P ( wu )

(2)

Continuando o exemplo do item a), o valor g1 (usurio 1) seria: P (d | w1) x P(w1) = 16% x 1% = 0,16% e o valor g2 (usurio 2) seria: P (d | w2) x P(w2) = 0% x 1% = 0% Essa funo discriminante , ento, calculada para todos os usurios e o usurio que obtiver o valor mais alto de g escolhido como a identidade da imagem de consulta em questo. Mais detalhes desta tcnica podem ser obtidos em [47].

4.2.2.3

Nvel de Pontuao

A pontuao de casamento uma medida de similaridade entre a amostra de consulta e a amostra de template. A fuso em nvel de pontuao objetiva combinar as pontuaes obtidas individualmente pelos mtodos a fim de derivar uma deciso consensual.

58

O diagrama na Figura 36 apresenta de forma resumida como a fuso no nvel de pontuao acontece.
Extrator de Caractersticas Mdulo de Casamento Mdulo de Normalizao

Pontuao

Mdulo de Fuso

Mdulo de Deciso

Identidade

Extrator de Caractersticas

Mdulo de Casamento

Mdulo de Normalizao

Pontuao

Figura 36: Diagrama funcional da fuso em nvel de pontuao.

a) Tcnicas de Normalizao
As pontuaes de casamento obtidas pelos mtodos a serem combinados podem estar em intervalos diferentes, como por exemplo [0,1] ou [0,100]. Quando isso ocorre, se torna necessrio incluir uma etapa de normalizao dessas pontuaes. As tcnicas de normalizao estudadas e avaliadas no presente trabalho so:

Min-Max: Esta tcnica a mais utilizada quando os valores dos limites (menor e maior valor de pontuao) so conhecidos. A execuo deste mtodo transformar todas as pontuaes s j num intervalo comum normalizado [0,1], n s j , de acordo com a seguinte equao:
i i

ns tj =

s tj miniN 1 s ij = maxiN 1 s ij miniN 1 s ij =

i

(3)

onde s j representa a i-sima pontuao de casamento obtida pelo j-simo mtodo e N representa a quantidade de pontuaes disponveis.

59

Funo Sigmide Dupla: Esta tcnica de normalizao foi utilizada por Cappelli, Maio e Maltoni [2] e consiste em transformar todas as pontuaes num intervalo comum [0,1] fazendo uso de trs pontos de referncia: i.

: um ponto da regio entre a distribuio da pontuao de genunos e

impostores;

ii.

1 e 2 : pontos que correspondem extenso de sobreposio entre a

distribuio dos genunos e dos impostores, representando seu limite inferior e superior, respectivamente.

A nova pontuao de casamento utilizando esta tcnica de normalizao obtida por meio da equao:
1 s tj 1+ exp(2( )) 1 t = ns j 1 s tj 1+ exp(2( )) 2

, se s tj <
(4)

, caso contrrio

Este esquema de normalizao realiza uma transformao linear das pontuaes na regio de sobreposio, enquanto que as pontuaes fora dessa regio so transformadas de maneira no-linear. A Figura 37 ilustra um exemplo de regio de sobreposio entre pontuaes genunas e impostoras bem como um exemplo de parmetros estabelecidos.

60

1 = 26

= 39

2 = 52

Figura 37: Exemplo de Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla.

Estimadores Tanh: Esta tcnica de normalizao introduzida por Hampel et al. [14] considerada robusta e altamente eficiente e, da mesma forma que a tcnica anterior, ela utiliza parmetros que devem ser cuidadosamente escolhidos para que este esquema de normalizao possa reduzir a influncia das pontuaes nas extremidades da distribuio (identificada pelos parmetros a, b e c). As equaes utilizadas para o clculo dessa tcnica de normalizao so:

sk =

s k GH 1 )) + 1 tanh( 0.01( 2 GH

(5)

onde GH e GH so a mdia e o desvio padro da distribuio genuna e tanh representa a tangente hiperblica. Porm, ao invs de utilizar os valores reais de GH e GH, esses valores so estimados utilizando os estimadores de Hampel baseados na funo de influncia () a seguir: u a.sign(u ) (u ) = c u ) a.sign(u ).( c b 0

0 u < a, a u < b, b u < c, u c.

(6)

61

b) Tcnicas de Fuso
Uma vez normalizadas as pontuaes, as seguintes tcnicas de fuso em nvel de pontuao podem ser aplicadas: soma das pontuaes, produto das pontuaes, pontuao mxima, pontuao mnima e soma com peso.

4.2.3

Desafios
Aps conhecer os cenrios, os nveis e as tcnicas de fuso, importante conhecer

tambm os fatores que podem impactar um sistema multibiomtrico. Segundo Nandakumar [38], o projeto de sistemas multibiomtricos um problema desafiador, pois muito difcil predizer a estratgia de fuso tima. Estas dificuldades se devem, principalmente, aos seguintes fatores: Para a fuso antes do casamento: o Incompatibilidade: a fuso no nvel de sensor e no nvel de caractersticas nem sempre possvel devido incompatibilidade das informaes capturadas. Por exemplo, em um sistema multibiomtrico que utiliza a face e a impresso digital, no possvel combinar nem as imagens adquiridas pelo sensor nem o vetor de caractersticas extrados dessas imagens. o Complexidade: a complexidade de se projetar um algoritmo de fuso visando desenvolver um novo mtodo para extrair as caractersticas e realizar o casamento dos dados combinados pode anular as vantagens da fuso em termos do custo-benefcio. Fuso aps o casamento: o Habilidade de discriminao variada: existem medidas que so menos discriminatrias que outras. Por exemplo, as cristas de uma impresso digital so medidas menos discriminatrias que as mincias. Considerando um

62

sistema multibiomtrico em que um dos mtodos tem uma diferena de acurcia muito grande em relao ao outro, uma estratgia de fuso simples pode no significar uma melhoria na acurcia. Por isso, a associao de pesos diferenciados para cada mtodo pode ser uma medida importante. o Correlao entre os mtodos: em muitos sistemas multibiomtricos, os mtodos podem no ser independentes, como por exemplo, mtodos que utilizam os mesmos dados e apresentam a mesma representao. Em geral, a fuso de mtodos independentes tende a gerar uma melhoria mais significativa na acurcia do que mtodos correlacionados. De uma perspectiva acadmica, pesquisas em multibiometria apresentam inmeros desafios que vo desde determinar o tipo de informao que ser fundida, projetar uma metodologia tima de fuso considerando o cenrio, o nvel e a tcnica de fuso at avaliar e comparar as diferentes metodologias de fuso e construir um sistema multibiomtrico automatizado [47].

4.3 Aplicaes e Pesquisas sobre Multibiometria

Apenas recentemente a multibiometria comeou a ser introduzida em aplicaes reais. No Brasil j existem empresas investindo em produtos multibiomtricos. Iron Calil Daher, scio da Griaule, empresa de Campinas (SP) cujo software de reconhecimento de impresses digitais est presente no novo passaporte brasileiro e tambm no projeto piloto com a urna eletrnica biomtrica (abordados na seo 1.2), informou que deseja fazer at 2008 um produto de multibiometria, que engloba o reconhecimento de assinatura e voz [44]. A Veridis Tecnologia est inscrita no projeto SMALLFPR da FINEP, em parceria com a UNICAMP, CenPRA, SEBRAE, e a Griaule. No escopo do projeto est o desenvolvimento de uma placa me de baixo custo com possibilidade futura do uso de multibiometria,

63

adicionando capacidade de reconhecimento por impresses digitais o reconhecimento facial e por voz [52]. Um exemplo de aplicao multibiomtrica utilizando o cenrio multi-unidades o da empresa alem Dermalog. O software dessa empresa digitaliza simultaneamente quatro dedos para que seja possvel obter at 10 vezes mais segurana na identificao. Essa mesma empresa responsvel pelo projeto de biometria do Detran do Rio de Janeiro [19]. A multibiometria, que novidade em aplicaes comerciais vem, no entanto, sendo estudada desde meados de 1995, quando Brunelli e Falavigna pesquisaram a fuso de face e voz [47]. Com relao fuso multi-algoritmos, objeto de estudo e avaliao no presente trabalho, algumas pesquisas relevantes tm sido desenvolvidas. Jain, Prabhakar e Chen [20] propuseram a fuso de trs diferentes mtodos baseados em mincias no nvel de pontuao e confirmaram que a fuso resultou num melhor desempenho. Porm, enfatizaram que a combinao de mtodos que utilizam diferentes tipos de informao (baseados em mincias e no baseados em mincias) poderia propiciar resultados ainda melhores. Ross, Jain e Reisman [46] propuseram um sistema que combinava no nvel de pontuao as informaes das mincias e a textura de impresses digitais e mostraram que a tcnica de fuso utilizada propiciou um melhor desempenho. Porm, como as informaes das mincias eram utilizadas para realizar o alinhamento antes de extrair a informao da textura, eles enfatizaram a necessidade de se trabalhar com tcnicas de alinhamento no baseadas em mincias para que os mtodos combinados fossem independentes. Kuncheva et al. [30] mostraram que combinar fontes de informaes no correlacionadas ou negativamente correlacionadas resultam num melhor desempenho. Eles utilizaram a medida Q-Statistic para medir a correlao entre classificadores combinados no nvel de deciso e mostraram que em geral uma correlao negativa prefervel. De forma complementar, Kuncheva e Whitaker [29] discutiram dez tcnicas estatsticas para medir a diversidade entre classificadores e recomendaram o uso da medida Q-Statistic e, quando mais

64

de dois classificadores so combinados, Q-Average. Alm disso, chegaram concluso de que apesar de servirem como um indicador de que a fuso poder resultar em um melhor desempenho, difcil formular uma regra de fuso eficiente baseada apenas nessas medidas e ainda definir uma medida que permita prever o desempenho de um esquema de fuso. Seguindo esta linha, Phabhakar e Jain [43] analisaram a fuso no nvel de deciso de quatro diferentes mtodos e observaram que a independncia entre os classificadores essencial para a melhoria do desempenho da combinao. Alm disso, afirmaram que um cenrio em que mltiplas representaes e algoritmos de casamento para o mesmo identificador biomtrico so utilizados, representa o melhor custo-benefcio para aprimorar o desempenho de sistemas biomtricos. Tal cenrio representa o objeto de estudo do presente trabalho e seu desenvolvimento incluindo seus materiais e mtodos sero expostos nos prximos captulos. Mais exemplos de pesquisas representativas em Multibiometria, categorizadas pelo cenrio de fuso, podem ser encontradas em [47].

4.4 Consideraes Finais

Este captulo foi iniciado apresentando-se o conceito e as principais vantagens do uso da multibiometria (melhoria na acurcia, maior tolerncia a dados ruidosos e a falhas, etc.). Em seguida, foram apresentados os cenrios (multisensores, multi-instncias, multiunidades, multi-algoritmos, multi-modalidades e hbrido) e os nveis de fuso multibiomtrica (nvel de sensor, nvel de caractersticas, nvel de pontuao, nvel de classificao e nvel de deciso). Depois, foram explicadas as tcnicas de fuso que constituem objetos de estudo do presente trabalho. Para o nvel de classificao, foram explicadas as tcnicas Classificao mais Alta, Contador do Borda e Regresso Logstica. Para o nvel de deciso foi explicada a tcnica Deciso Bayesiana, enquanto que para o nvel de pontuao, foram explicadas primeiramente as tcnicas de normalizao Min-Max, Funo Sigmide Dupla e Estimadores Tanh, para

65

posteriormente abordar as tcnicas de fuso (soma, produto, pontuao mxima, pontuao mnima e soma com pesos). Para finalizar, foram abordados os principais desafios e fatores que impactam a implementao de sistemas multibiomtricos (incompatibilidade de informaes, complexidade versus custo-benefcio, habilidade de discriminao e a correlao entre os mtodos) e uma breve reviso da literatura sobre aplicaes da multibiometria, tendo como foco, trabalhos envolvendo o cenrio multi-algoritmos e aplicados no reconhecimento de impresses digitais.

66

5. Material e Mtodos

Neste Captulo so apresentados o material e a metodologia proposta para realizar a fuso dos mtodos baseados em mincias e em cristas para reconhecimento de impresses digitais. Inicialmente, so apresentados a base de dados e os mtodos para reconhecimento de impresses digitais baseados em mincias e em cristas utilizados neste trabalho para avaliao da fuso multibiomtrica. Em seguida, apresentada a metodologia proposta para avaliao das formas de fuso, sendo descrita inicialmente a tcnica utilizada para identificar o grau de dependncia entre os mtodos de reconhecimento de impresses digitais. Por fim, apresentada uma viso geral dos passos realizados antes e durante a fuso dos mtodos.

5.1 Material
Para analisar o desempenho dos mtodos baseados em mincias e em cristas individualmente, bem como as tcnicas de fuso implementadas, foi utilizada a base de dados - DB1A da FVC2002 (Fingerprint Verification Competition 2002) [12]. As bases de dados de impresses digitais da FVC so disponibilizadas gratuitamente e tm sido amplamente utilizadas para avaliao de desempenho de mtodos de reconhecimento de impresses digitais. A base de dados DB1A FVC2002 composta por imagens de impresses digitais de 100 indivduos. As imagens possuem 388 x 374 pixels e tm 500 dpi de resoluo. Para cada indivduo existem imagens de 8 impresses digitais, capturadas por meio de um sensor ptico. Esta base de dados apresenta as seguintes caractersticas[54]:

67

a)

As impresses foram coletadas em trs sesses com pelo menos uma semana separando cada sesso;

b) Nenhum esforo foi despendido para controlar a qualidade da imagem e o sensor no foi sistematicamente limpo; c) Durante a segunda sesso, os indivduos foram instrudos para exagerar no deslocamento e na rotao; d) Durante a terceira sesso, os dedos foram alternadamente secos e umedecidos.

Na Figura 38 possvel observar exemplos de imagens do banco de dados DB1AFVC2002.

68

Figura 38: Imagens retiradas do banco de dados DB1A-FVC2002 [12]. Na primeira linha, imagens padro; na segunda linha, imagens com deslocamento exagerado; na terceira linha, imagens com rotao exagerada; na quarta linha, imagens extremamente secas e, na quinta linha, imagens extremamente midas.

69

possvel observar na Figura 38 que algumas imagens que apresentam rotao e deslocamento exagerados tambm so de baixa qualidade (extremamente secas ou midas). Para a realizao da fuso de mtodos de reconhecimento de impresses digitais foram escolhidos os seguintes mtodos: a) Mtodo Baseado em Mincias Proposto por Jain et al. [25]: para este mtodo (explicado em detalhes na seo 3.4.1.1) foram utilizados programas executveis responsveis pela extrao das caractersticas das impresses digitais (extractMinutiae.exe) e pelo casamento (matchMinutiae.exe) que funcionam na plataforma Windows, disponibilizados pelos autores; b) Mtodo Baseado em Cristas Proposto por Marana e Jain [34]: para este mtodo (explicado em detalhes na seo 3.4.2.1) foi utilizado o programa implementado por Marana [34] na linguagem de programao C para plataforma Windows, disponibilizado pelos autores; c) Mtodo Baseado em Mincias do software NBIS: para este mtodo (explicado em detalhes na seo 3.4.1.2) foram utilizados o programa Mindtct, responsvel pela deteco das mincias e o programa Bozorth3, responsvel pelo casamento das impresses digitais1. Ambos os programas Mindtct e Bozorth3 tm seu cdigo implementado na linguagem de programao C para as plataformas Linux e MAC OS-X. Para a plataforma Windows preciso instalar a biblioteca gratuita Cygwin [3]. Neste trabalho foi utilizada a distribuio Ubuntu do sistema operacional Linux [51] e o compilador gcc para compilar e executar os programas Mindtct e Bozorth3.

programa

Mindtct

pode

ser

obtido

pelo

endereo

http://www.itl.nist.gov/iad/894.03/nigos/nigos.html, enquanto o programa Bozorth3 tem seu acesso controlado e s pode ser obtido mediante a requisio de um CD-ROM por meio do endereo http://fingerprint.nist.gov/NBIS/request_ecc_cd.html.

70

Durante o desenvolvimento do presente trabalho, os seguintes softwares adicionais foram utilizados: MatLab verso 5.2 [36]: software utilizado para a implementao das tcnicas de fuso; Visual Studio 2005 [53]: software utilizado na execuo do mtodo baseado em cristas proposto por Marana e Jain [34]. Todos os experimentos foram realizados num computador padro PC com Processador Intel Core 2 de 1.66GHz e 2GB de Memria RAM.

5.2 Metodologia
Esta seo apresenta a metodologia proposta para a fuso dos mtodos de reconhecimento de impresses digitais baseados em mincias e em cristas, bem como a forma de avaliao dos resultados. A Figura 39 apresenta um diagrama com as etapas da metodologia proposta.

Figura 39: Diagrama da metodologia proposta.

5.2.1

Estratgia de Fuso
O objetivo do presente trabalho aprimorar a acurcia dos sistemas atuais de

reconhecimento de impresses digitais por meio da fuso de mtodos baseados em mincias e em cristas. Para que fosse possvel avaliar de forma consistente as tcnicas de fuso de mtodos baseados em cristas e em mincias, as seguintes fuses foram realizadas:

71

1. Mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em Mincias proposto por Jain et al. [25]; 2. Mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias do software NBIS [41]; 3. Mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41]; 4. Mtodo baseado em cristas por Marana e Jain [34] com os mtodos baseados em mincias proposto por Jain et al. [25] e do software NBIS [41]. Embora a viabilidade da fuso em relao a melhoria na acurcia pudesse ser validada com apenas umas das trs primeiras fuses acima citadas, a estratgia definida permite analisar de forma mais abrangente a fuso de mtodos baseados em mincias e em cristas, permitindo verificar o comportamento da fuso de mtodos baseados nas mesmas caractersticas (mincias) em relao fuso de mtodos que utilizam diferentes caractersticas (mincias versus cristas), bem como o comportamento da fuso de trs mtodos em comparao com dois mtodos, alm de verificar a viabilidade da fuso quando um dos mtodos isoladamente apresenta uma alta acurcia, como acontece com o software NBIS. Todas as fuses realizadas contextualizam um cenrio de fuso multi-algoritmos (conforme explicado na seo 4.2.1). No entanto, um dos fatores que impactam um sistema multibiomtrico multi-algoritmos o grau de dependncia entre os mtodos utilizados na fuso (conforme elucidado na seo 4.2.3 e em alguns exemplos de pesquisas em multibiometria na seo 4.3). Diante disso, antes de executar a fuso, visando a identificar a viabilidade da estratgia de fuso definida, foi aplicada uma tcnica para medir o grau de dependncia entre os mtodos a serem utilizados. As medidas escolhidas para calcular o grau de dependncia entre os mtodos de reconhecimento de impresses digitais foram a Q-Statistic e a Q-Average. A escolha dessas medidas foi baseada nas pesquisas realizadas por Kuncheva e Whitaker [29], que avaliaram

72

dez tcnicas estatsticas para medir a diversidade entre classificadores e recomendaram o uso da medida Q-Statistic e, quando mais de dois mtodos so combinados, da medida QAverage. A medida Q-Statistic tem como resultado um nmero entre [-1,1] e dada por:

Qi, j =
onde:

N 11 N 00 N 01 N 10 N 11 N 00 + N 01 N 10

(7)

i representa o primeiro mtodo e j representa o segundo mtodo; N11 significa o nmero de vezes que o primeiro mtodo acerta e o segundo tambm acerta;

N00 significa o nmero de vezes que o primeiro mtodo erra e o segundo tambm erra;

N10 significa o nmero de vezes que o primeiro mtodo acerta e o segundo erra; N01 significa o nmero de vezes que o primeiro mtodo erra e o segundo acerta.

Quando mais de dois mtodos so combinados, o grau de dependncia calculado pela medida Q-Average dada por:

Qav =
onde:

L 1 L 2 Qi , k L ( L 1) i =1 k =i +1

(8)

L representa a quantidade de mtodos a serem combinados; Qi,k representa a medida Q-Statistics do mtodo i e do mtodo k (calculada pela equao (7))

Para classificadores estatisticamente independentes, espera-se que o resultado dessas medidas seja zero (0). Para classificadores que tendem a cometer erros nos mesmos casos

73

espera-se um valor positivo, enquanto que para classificadores que cometem erros em diferentes situaes espera-se um valor negativo. Para calcular a medida Q-Statistic e Q-Average, foi necessrio gerar os experimentos para cada um dos mtodos e verificar quando cada um deles apresentava como sada uma deciso correta e quando apresentava como sada uma deciso errada. Essa anlise foi realizada a partir do clculo da taxa de recuperao correta (o protocolo de testes utilizado na realizao dos experimentos est descrito na seo 5.2.3 e o clculo da taxa de recuperao correta est descrito na seo 5.2.4). Para cada mtodo utilizado na fuso, foram identificadas as imagens que obtiveram recuperao correta igual a 1(um), ou seja, uma imagem genuna (do mesmo indivduo) obteve a maior pontuao de casamento entre todos os casamentos impostores e genunos realizados com essa imagem. A partir disso, foi possvel analisar quando cada um dos mtodos acertou e errou na identificao e utilizar a equao definida em (7).

5.2.2

Implementao das Tcnicas de Fuso

Para que fosse possvel avaliar o desempenho da fuso em vrios nveis, as seguintes

tcnicas de fuso foram implementadas: 1) Fuso em Nvel de Classificao: Conforme explicado na seo 4.2.2.1, o objetivo da fuso em nvel de classificao consolidar as classificaes obtidas individualmente pelos mtodos a fim de derivar uma classificao consensual para cada indivduo. As tcnicas de fuso implementadas no nvel de classificao foram as tcnicas proposta por Ho et al. [16] e explicadas na subseo 4.2.2.1: i) Classificao mais Alta, ii) Contador do Borda e iii) Regresso Logstica. A tcnica de fuso Regresso Logstica requer que pesos sejam estabelecidos para cada mtodo que ser combinado. As tcnicas utilizadas para o estabelecimento desses pesos esto descritas na subseo 5.2.5.1. 2) Fuso em Nvel de Deciso: Conforme explicado na seo 4.2.2.2, muitos sistemas biomtricos comerciais fornecem apenas a identidade do indivduo cuja

74

amostra de template melhor casou com a amostra de consulta como sada. A fuso em nvel de deciso objetiva consolidar as decises obtidas individualmente pelos mtodos a fim de derivar uma deciso consensual. A tcnica de fuso Deciso Bayesiana estudada por Xu, Krzyzak e Suen [59] e explicadas na seo 4.2.2.2 foi implementada para este nvel de fuso. Esta tcnica, no entanto, requer uma fase de treinamento na qual a matriz de confuso de cada mtodo que ser combinado calculada. As estratgias utilizadas para a seleo das imagens de treinamento esto descritas na subseo 5.2.5.2. 3) Fuso em Nvel de Pontuao: Conforme explicado na seo 4.2.2.3, a fuso em nvel de pontuao objetiva combinar as pontuaes obtidas individualmente pelos mtodos a fim de derivar uma pontuao consensual. Trs tcnicas de normalizao de pontuaes foram implementadas para que fosse possvel compar-las entre si: i) Min-Max; ii) Funo sigmide dupla, e iii) Estimadores Tanh. Tanto a tcnica Funo Sigmide Dupla quanto a tcnica Estimadores Tanh requerem que parmetros sejam estabelecidos. Os parmetros estabelecidos esto descritos em 5.2.5.3. Uma vez implementadas as tcnicas de normalizao, as seguintes tcnicas de fuso em nvel de pontuao foram implementadas: Soma, Produto, Pontuao Mxima, Pontuao Mnima e Soma com Pesos. As estratgias utilizadas para o estabelecimento de pesos para a ltima tcnica so explicadas na seo 5.2.5.1. Todas as tcnicas de normalizao e de fuso citadas esto explicadas em detalhes na seo 4.2.2.3.

5.2.3

Protocolo dos Testes

Para avaliar o desempenho dos mtodos baseados em mincias e em cristas

individualmente, bem como as tcnicas de fuso implementadas, os experimentos foram conduzidos de acordo com o protocolo de teste FVC-2002, a saber: Reconhecimento Genuno: cada impresso digital foi testada com as impresses restantes do mesmo indivduo, mas evitando casamentos simtricos, ou seja, ao testar

75

a impresso g em relao a h, o teste da impresso h em relao a g no executado. Esse experimento resultou em 2800 ((8 * 7 / 2) * 100) comparaes genunas no banco de dados DB1A - FVC2002. Reconhecimento Impostor: cada impresso digital de um indivduo foi testada com a impresso digital de mesma ordem dos indivduos restantes (por exemplo, a primeira impresso digital de cada usurio foi testada com a primeira impresso digital de todos os outros usurios), evitando novamente casamentos simtricos. Esse experimento resultou em 39600 ((100 * 99 / 2) * 8) comparaes impostoras no banco de dados DB1A - FVC2002. Para cada teste genuno e impostor, a pontuao de casamento entre as duas impresses digitais comparadas gerada como sada. Essa pontuao permitiu que as medidas de desempenho utilizadas para avaliao dos resultados fossem calculadas.

5.2.4

Medidas de Desempenho
Para avaliar o desempenho dos mtodos baseados em mincias e em cristas

individualmente bem como as tcnicas de fuso implementadas, as seguintes medidas de desempenho foram calculadas: Taxa de Erro Igual (EER Equal Error Rate): Essa taxa foi calculada utilizando as pontuaes obtidas nas comparaes de reconhecimento genuno e nas comparaes de reconhecimento impostor (explicadas na seo 5.2.3). A partir delas, foi possvel descobrir o limiar de pontuao , para o qual a taxa de falsa aceitao (FAR False Acceptance Rate) e a taxa de falsa rejeio (FRR False Rejection Rate) assumem o mesmo valor: FAR() = FRR (). Mais detalhes sobre a taxa de FAR, FRR e EER podem ser obtidos na seo 2.2.3.1. Taxa de Recuperao Correta: Uma vez geradas as comparaes de reconhecimento genuno e as comparaes de reconhecimento impostor (explicadas na seo 5.2.3), todas as pontuaes dos casamentos genunos e dos casamentos impostores obtidas

76

para cada imagem foram ordenadas em ordem decrescente formando uma classificao de imagens por similaridade. Com a classificao de cada imagem gerada, foi possvel calcular a posio (rank) da primeira resposta correta (imagem do mesmo usurio) dentro dessa classificao. Essa posio indica a quantidade de imagens que precisam ser recuperadas para que uma resposta correta (casamento genuno) seja obtida para uma dada imagem. Para resumir o desempenho do sistema, foi calculada a porcentagem das imagens com rank = 1, rank <=2, rank <=3 at que essa porcentagem atingisse 100% [5]. Mais detalhes sobre a taxa de recuperao correta podem ser obtidos na seo 2.2.3.2. Taxa de Identificao: Quando o sistema biomtrico retorna a imagem de template mais similar a uma dada imagem de consulta e essa imagem de template uma imagem do mesmo usurio, significa que a identificao foi bem sucedida. A taxa de identificao geral do sistema foi obtida calculando a porcentagem das imagens pertencentes ao rank 1, ou seja, a porcentagem de imagens que entre todos os casamentos genunos e impostores possveis, um casamento genuno obteve maior pontuao. Mais detalhes sobre a taxa de identificao podem ser obtidos na seo 2.2.3.2. A avaliao de desempenho das tcnicas de fuso implementadas varia de acordo com o nvel de fuso, pois, em cada nvel, uma informao diferente trabalhada. Para a fuso em nvel de pontuao, o trabalho realizado sobre as pontuaes de casamento. Para a fuso em nvel de classificao, as listas de classificao de cada imagem so utilizadas. Para a fuso em nvel de deciso, apenas a deciso final do sistema (identidade do indivduo com maior pontuao de casamento) considerada. Dessa forma, as seguintes medidas de desempenho foram utilizadas em cada nvel de fuso: Para os resultados obtidos pela fuso no nvel de pontuao, o desempenho foi medido a partir da Taxa de Erro Igual (EER) Os resultados obtidos pela fuso em nvel de classificao foram avaliados pela Taxa de Recuperao Correta.

77

Os resultados obtidos pela fuso em nvel de deciso utilizaram a Taxa de Identificao como medida de desempenho.

5.2.5 Fuso

Abordagens Utilizadas durante a Implementao das Tcnicas de

Durante a implementao das tcnicas de fuso foi necessrio estabelecer algumas abordagens para a seleo das imagens da fase treinamento, para o estabelecimento de pesos e a escolha de parmetros. Tais abordagens foram condensadas nessa seo para possibilitar uma organizao melhor do texto.

5.2.5.1

Estabelecimento de Pesos

A tcnica de fuso Regresso Logstica no nvel de classificao (rank) e a tcnica Soma com Pesos no nvel de pontuao requerem que pesos sejam estabelecidos para os mtodos utilizados na fuso. Para determinar esses pesos, duas abordagens foram utilizadas: 1. A abordagem proposta por Wang, Tan e Jain [55] que utiliza a Equao 9 para determinar os pesos e faz com que cada mtodo receba um peso proporcional as suas taxas de erro FAR e FFR:

Wi =

1 ( FAR i + FRR i ) 2 ( FARi + FRR i + FAR j + FRR j )

(9)

onde: i = 1,2, j=1,2, ij e Wi + Wj = 1. Isso significa que calculado o peso para cada um dos mtodos (mtodo i e mtodo j) de forma que a soma deles seja igual a 1 (um). Esta abordagem necessita que seja escolhido um limiar para que as taxas FAR e FRR de cada mtodo possam ser calculadas (conforme descrito na seo 2.2.3.1). De acordo com Nandakumar et al. [39], um sistema biomtrico em aplicaes de segurana tipicamente requer uma taxa de falsa aceitao (FAR) de no mximo 0,1%.

78

Portanto, foi fixada a taxa FAR de 0,1% para cada mtodo e obteve taxa FRR correspondente. 2. A segunda abordagem utilizada consistiu no clculo emprico dos pesos. Para isso, os pesos foram variados e os resultados obtidos foram calculados seguindo as medidas de desempenho da Taxa de Recuperao Correta para a tcnica Regresso Logstica (nvel de classificao) e EER para a tcnica Soma com Pesos (nvel de pontuao), ambas descritas na seo 5.2.4. Os pesos que apresentaram melhor resultado foram, ento, escolhidos.

5.2.5.2

Seleo das Imagens de Treinamento

Para a tcnica de fuso Deciso Bayesiana no nvel deciso necessrio uma fase de treinamento para se calcular a matriz de confuso (conforme explicado na seo 4.2.2.2). Duas abordagens foram utilizadas para selecionar as imagens do conjunto de treinamento: 1. Abordagem 1: A base de dados DB1A-FVC2002 foi dividida de tal forma que das 8 imagens de cada usurio, mais de 50% fizessem parte da etapa de treinamento, ou seja, o treinamento foi efetuado com pacotes de 4, 5, 6 e 7 imagens por usurio. Para isso, foram gerados randomicamente 10 conjuntos de treinamento para cada pacote de imagens, ou seja, 10 conjuntos de 4 imagens por usurio, 10 conjuntos de 5 imagens por usurio, e assim sucessivamente. Os resultados de todos os conjuntos da mesma quantidade de imagens (por exemplo, os 10 conjuntos de 4 imagens por usurio) foram calculados e depois se obteve a mdia. Com isso, foi possvel verificar o desempenho da tcnica quando 4, 5, 6 e 7 imagens por usurio so utilizadas na fase de treinamento comparando-as entre si. 2. Abordagem 2: Semelhante abordagem anterior, foram utilizados conjuntos de treinamento de 4 a 7 imagens por usurio com a diferena que nem todas as imagens foram escolhidas randomicamente. Isso se deve ao fato de que analisando o banco de dados, foi observado que:

79

A primeira imagem de cada usurio a que menos apresenta rudos e na qual o dedo est mais centralizado em relao ao sensor (praticamente sem rotao e translao); A quarta imagem de cada usurio a que apresenta elevada rotao em relao primeira imagem; A quinta imagem de cada usurio a que apresenta elevada translao (deslocamento) em relao primeira imagem; E a oitava imagem de cada usurio a que apresenta elevados rudos. Diante disso, essas 4 imagens foram fixadas para cada usurio na fase de treinamento por representarem mais completamente a variabilidade intraclasse de cada usurio, podendo, por conseguinte representar um importante teste de fuso. Dessa forma, para os 10 conjuntos de 7 imagens de treinamento, foram geradas randomicamente apenas 3 dessas imagens, para os 10 conjuntos de 6 imagens foram geradas randomicamente apenas 2 dessas imagens, e assim sucessivamente.

5.2.5.3

Estabelecimento de Parmetros

Na implementao das tcnicas de normalizao bem como na realizao de experimentos com o mtodo baseado em cristas proposto por Marana e Jain [34], alguns parmetros foram estabelecidos. Com o objetivo de compartilhar informaes relevantes para futuras pesquisas, os parmetros utilizados esto descritos nesta seo.

a) Tcnicas de Normalizao
Conforme explicado em detalhes na seo 4.2.2.3, a tcnica de normalizao Funo Sigmide Dupla requer que os pontos de referncia , 1 e 2 sejam estabelecidos e a tcnica de normalizao Estimadores Tanh requer o estabelecimento dos pontos de referncia a, b e c. Tais pontos foram empiricamente estabelecidos para cada um dos mtodos utilizados na fuso

80

tendo como base a rea de sobreposio entre as pontuaes genunas e impostoras para a tcnica Funo Sigmide Dupla e para a tcnica Estimadores Tanh tendo base valores prximos aos exemplos citados em [33], sendo utilizados os pontos que apresentaram os melhores resultados.

b) Mtodo Baseado em Cristas Proposto por Marana e Jain

Conforme explicado em detalhes na seo 3.4.2.1, durante a etapa de clculo dos parmetros de alinhamento (rotao e translao), o mtodo proposto por Marana e Jain [34] faz uso da Transformada de Hough. A rotao estimada utilizando um acumulador de rotao e depois se procura por picos neste acumulador para conhecer os ngulos de rotao mais votados. Os melhores resultados foram obtidos quando os 6 (seis) ngulos mais votados foram utilizados para fazer o alinhamento. A utilizao de menos que 6 ngulos aumentava consideravelmente a taxa de rejeio de genunos (FRR) enquanto que a utilizao de mais de 6 ngulos aumentava consideravelmente a taxa de aceitao de impostores (FAR). Para o clculo da translao, o procedimento semelhante, ou seja, utilizado um acumulador e depois realizada uma busca por picos que indiquem os deslocamentos (dx e dy) mais votados. Neste caso, os melhores resultados foram obtidos quando 200 (duzentos) deslocamentos mais votados foram considerados.

5.2.6

Passos do Processo de Fuso

Nesta seo apresentada uma viso geral dos passos necessrios antes de realizar

uma fuso biomtrica bem como dos passos realizados durante o processo de fuso. A Figura 40 apresenta de forma genrica os passos realizados antes da fuso de dois mtodos e a Figura 41 apresenta os passos realizados durante a fuso. importante ressaltar que para a fuso de trs mtodos os passos so os mesmos.

81

Como possvel observar na Figura 39, preciso realizar vrios passos antes da fuso propriamente dita. Inicialmente preciso realizar os experimentos nos mtodos que sero combinados, posteriormente preciso calcular as medidas de desempenho. Depois, o grau de dependncia entre os mtodos calculado para verificar se os mesmos so independentes ou negativamente dependentes e verificar se sua fuso tende a resultar numa melhoria na acurcia. Caso esse cenrio acontea, pode-se partir para a fuso propriamente dita.

EER Experimentos e avaliao de desempenho Taxa de Recuperao Correta

Mtodo 1

Taxa de Identificao Grau de dependncia entre os mtodos

EER

FUSO
Mtodo 2 Experimentos e avaliao de desempenho Taxa de Recuperao Correta

Taxa de Identificao

Figura 40: Passos realizados antes da fuso.

Uma vez verificado que a fuso tende a melhorar a acurcia, todas as tcnicas de fuso implementadas dentro dos nveis utilizados so aplicadas e os resultados so avaliados de acordo com as medidas de desempenho utilizadas para avaliar os mtodos individualmente. Dessa forma, possvel verificar se houve uma melhoria na acurcia e quo significativa foi essa melhoria.

82

Classificao Mais Alta Taxa de Avaliao Nvel de Classificao Contador do Borda dos Resultados Recuperao Correta FUSO

Regresso Logstica

Nvel de

Deciso Bayesiana

Avaliao dos Resultados

Taxa de Identificao FUSO

FUSO

Deciso

Normalizao Min-Max Soma, Produto, Nvel de Pontuao Normalizao Funo Sigmide Dupla Normalizao Estimadores Tanh Pontuao Mxima, Pontuao Mnima, EER FUSO Avaliao dos Resultados

Figura 41: Passos realizados durante a fuso, considerando-se os nveis de classificao, de deciso e de pontuao.

5.3 Consideraes Finais

Este captulo foi iniciado com a apresentao do material utilizado: o banco de dados (DB1A-FVC2002), os mtodos de reconhecimento de impresses digitais, o hardware e os softwares necessrios para a implementao e realizao dos experimentos. Em seguida, foi apresentada a metodologia proposta para a fuso de mtodos para reconhecimento de impresses digitais, sendo empregado a medida Q-Statistic e Q-Average para determinar o grau de dependncia entre os mtodos.

83

Posteriormente, os nveis (classificao, deciso e pontuao) e as tcnicas de fuso dentro de cada nvel implementadas foram abordadas, e foram definidos o protocolo de testes e as medidas de desempenho. Por fim, foi apresentada uma viso geral dos passos realizados antes e durante a fuso dos mtodos. Os Captulos 6 e 7 apresentam, respectivamente, os resultados experimentais obtidos e uma avaliao desses resultados.

84

6. Resultados Experimentais

Este captulo apresenta os resultados obtidos individualmente pelos mtodos utilizados bem como os resultados obtidos por todas as tcnicas de fuso realizadas nos experimentos sobre a base de dados de impresses digitais DB1A-FVC2002 [12]. Por fim, uma tabela com um resumo de todos os resultados obtidos na fuso apresentada.

6.1 Mtodo Baseado em Mincias Proposto por Jain

O mtodo baseado em mincias proposto por Jain et al. [25] obteve um valor de EER de aproximadamente 4.09%. Na Figura 42 possvel observar as distribuies da taxa de falsa aceitao (FAR) e da taxa de falsa rejeio (FRR) conforme o limiar para a pontuao de casamento variado bem como o valor de EER obtida. Mais informaes sobre essas taxas de erros podem ser obtidas na seo 2.2.3.1. A Tabela 7 apresenta um exemplo de listas de classificao gerada pelo mtodo baseado em mincias [25] para duas imagens do banco de dados DB1A-FVC2002 [12]. Na primeira imagem, um casamento genuno obtido apenas na oitava tentativa (imagem pertence ao rank 8). Na segunda imagem, um casamento genuno obtido na primeira tentativa (imagem pertence ao rank 1). Conforme explicado na seo 2.2.3.2, a Taxa de Recuperao Correta calculada tendo como base essas listas de classificao de todas as imagens do banco de dados. Para este mtodo, apenas o rank 8 garantiu para 100% das imagens do banco pelo menos um casamento genuno. Para rank 1 (quando apenas uma imagem recuperada) obteve-se acerto em 99,25% das imagens representando a taxa de identificao do mtodo. Na Figura 43 possvel observar um grfico representativo sobre essa anlise.

85

Figura 42: EER obtida pelo mtodo baseado em mincias proposto por Jain et al. [25].

Tabela 7: Exemplo de listas de classificao obtidas pelo mtodo baseado em mincias proposto por Jain et al. Mtodo Baseado em Mincias Imagem 75_5 Imagem 54_4

Classificao 1 2 3 4 5 6 7 8 9 10

Imagem 92_5 97_5 89_5 96_5 100_5 95_5 82_5 75_1 87_5 83_5

Pontuao Casamento 52 35 35 34 33 32 32 32 30 30 1 2 3 4 5 6 7 8 9

Classificao

Imagem 54_5 54_8 54_6 54_3 54_2 54_1 54_7 75_4 92_4 66_4

Pontuao Casamento 63 60 58 58 58 57 47 46 38 36

10

86

Figura 43: Taxa de recuperao correta obtida pelo mtodo baseado em mincias proposto por Jain et al. [25].

6.2 Mtodo Baseado em Cristas Proposto por Marana e Jain

O mtodo baseado em cristas proposto por Marana e Jain [34] obteve um valor de EER de aproximadamente 8.27%. Na Figura 44 possvel observar as distribuies da taxa de falsa aceitao (FAR) e da taxa de falsa rejeio (FRR) conforme o limiar para a pontuao de casamento variado bem como o valor de EER obtido. Mais informaes sobre essas taxas de erros podem ser obtidas na seo 2.2.3.1.

Figura 44: EER obtida pelo mtodo baseado em cristas.

87

A Tabela 8 apresenta um exemplo de listas de classificao gerada pelo mtodo baseado em cristas [34] para duas imagens do banco de dados DB1A-FVC2002 [12]. Na primeira imagem, um casamento genuno obtido na primeira tentativa (imagem pertence ao rank 1). Na segunda imagem, um casamento genuno s obtido na dcima tentativa (imagem pertence ao rank 10). Para este mtodo, apenas o rank 13 garantiu para 100% das imagens do banco pelo menos um casamento genuno. Para rank 1 (quando apenas uma imagem recuperada) obteve-se acerto em 98,75% das imagens representando a taxa de identificao do mtodo. Na Figura 45 possvel observar um grfico representativo sobre essa anlise.
Tabela 8: Exemplo de listas de classificao obtidas pelo mtodo baseado em cristas. Mtodo Baseado em Cristas Imagem 75_5 Imagem 54_4

Classificao 1 2 3 4 5 6 7 8 9 10

Imagem 75_4 79_5 96_5 85_5 80_5 75_6 88_5 98_5 95_5 91_5

Pontuao Casamento 0,78 0,45 0,36 0,31 0,31 0,29 0,27 0,26 0,25 0,24 1 2 3 4 5 6 7 8 9

Classificao

Imagem 57_4 74_4 94_4 63_4 66_4 99_4 88_4 65_4 89_4 54_8

Pontuao Casamento 0,18 0,16 0,12 0,11 0,09 0,07 0,06 0,054 0,051 0,050

10

88

Figura 45: Taxa de Recuperao Correta obtida pelo mtodo baseado em cristas.

6.3 Mtodo Baseado em Mincias do software NBIS

O mtodo baseado em mincias do software NBIS [41] obteve um valor de EER de aproximadamente 3,08%. Na Figura 46 possvel observar as distribuies da taxa de falsa aceitao (FAR) e da taxa de falsa rejeio (FRR) conforme o limiar para a pontuao de casamento variado bem como o valor de EER obtido. Mais informaes sobre essas taxas de erros podem ser obtidas na seo 2.2.3.1.

Figura 46: EER obtida pelo mtodo baseado em mincias do software NBIS [41].

89

Para este mtodo, com rank 1 foi garantido para 100% das imagens do banco um casamento genuno. Conseqentemente a taxa de identificao de 100%. Isso significa que esse mtodo apresenta acurcia mxima para essas duas medidas de desempenho na base de dados utilizadas e, portanto, a fuso no nvel de classificao e a fuso no nvel de deciso que so avaliadas por essas duas medidas no foram realizadas uma vez que no seria possvel melhorar a acurcia. No entanto, importante ressaltar que para outra base de dados ou em uma aplicao real em que novas imagens de template so constantemente includas ou alteradas (base de dados varivel), esses nveis de fuso poderiam ser necessrios.

6.4 Resultados da Fuso

Conforme descrito na seo 5.2.1, para que fosse possvel fazer uma avaliao consistente da fuso de mtodos baseados em cristas e em mincias, as seguintes fuses foram realizadas: 1. Fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias proposto por Jain et al. [25]; 2. Fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias do software NBIS desenvolvido pelo NIST [41]; 3. Fuso do mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41]; 4. Fuso do mtodo baseado em cristas por Marana e Jain [34] com os mtodos baseados em mincias proposto por Jain et al. [25] e do software NBIS [41]. As subsees seguintes apresentam inicialmente os resultados obtidos pela tcnica QStatistic e Q-Average que mediram o grau de dependncia entre os mtodos, os resultados obtidos com as abordagens utilizadas para o estabelecimento dos parmetros das tcnicas de normalizao das pontuaes de casamento e os resultados das abordagens utilizadas para o estabelecimento dos pesos da tcnica de fuso Regresso Logstica e Soma com Pesos. Por fim, os resultados obtidos nas quatro fuses realizadas so apresentados.

90

6.4.1

Resultados da Medida de Dependncia entre os Mtodos de

Reconhecimento de Impresses Digitais

Para a base de dados utilizada (DB1A-FVC2002), os resultados da medida Q-Statistic foram os seguintes: Mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25]: -1 Mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS: 0 Mtodo baseado em mincias do software NBIS com o mtodo baseado em mincias proposto por Jain et al. [25]: 0 Os resultados da medida Q-Average dos trs mtodos (mtodo baseado em cristas, mtodo baseado em mincias proposto por Jain et al. [25] e mtodo baseado em mincias do software NBIS) foi: -0,33. Portanto, a taxa Q-Statistic que mede a taxa de dependncia entre dois mtodos resultou no valor negativo (-1) para a fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25], indicando que os mtodos cometem erros em casos distintos. A fuso dos trs mtodos obtida pela medida Q-Average tambm resultou num valor negativo (-0,33). Tanto para a fuso dos mtodos baseado em mincias do software NBIS com o mtodo baseado em cristas, quanto para a fuso do mtodo baseado em mincias do software NBIS com o mtodo baseado em mincias proposto por Jain et al. [25], a medida Q-Statistic teve como resultado o valor 0 (zero), indicando que os mtodos so independentes. Pelo fato do grau de dependncia dos mtodos ter resultado em valores que indicaram que para todas as fuses pretendidas uma melhoria na acurcia poderia ser obtida, (atingindo, portanto, os objetivos do presente trabalho), as quatro fuses propostas foram realizadas.

91

6.4.2

Parmetros Estabelecidos pelas Tcnicas de Normalizao

Conforme explicado na seo 4.2.2.3, as tcnicas de normalizao Funo Sigmide

Dupla e Estimadores Tanh requerem que pontos de referncias sejam estabelecidos. Os pontos de referncias estabelecidos em cada mtodo de reconhecimento de impresses digitais utilizado esto descritos a seguir.

6.4.2.1

Parmetros da Tcnica de Normalizao Funo Sigmide Dupla

A tcnica de normalizao Funo Sigmide Dupla requer que os pontos de referncia , 1 e 2 sejam estabelecidos: representando um ponto na rea de sobreposio entre a distribuio de casamentos genunos e impostores; 1 o limite inferior dessa sobreposio e 2 o limite superior da mesma. Os pontos de referncias que obtiveram os melhores resultados foram: Mtodo baseado em mincias proposto por Jain et al. [25]: = 39, 1 = 26 e 2 = 52. A Figura 47 apresenta o grfico das distribuies dos casamentos genunos e impostores do mtodo bem como os parmetros estabelecidos.

Mtodo baseado em mincias do software NBIS [41]: = 4, 1 = 1 e 2 = 6. A Figura 48 apresenta o grfico das distribuies dos casamentos genunos e impostores do mtodo bem como os parmetros estabelecidos. Mtodo baseado em cristas proposto Marana e Jain [34]: = 9, 1 = 5 e 2 = 36. A Figura 49 apresenta o grfico das distribuies dos casamentos genunos e impostores do mtodo bem como os parmetros estabelecidos.

92

1 = 26

= 39

2 = 52

Figura 47: Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla para o mtodo baseado em mincias proposto por Jain et al. [25].

1 = 1 = 4 2 = 6

Figura 48: Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla para o mtodo baseado em mincias do software NBIS [41].

1 = 5 = 9 2 = 36

Figura 49: Parmetros estabelecidos pela tcnica de normalizao funo sigmide dupla para o mtodo baseado em cristas.

93

6.4.2.2

Parmetros da Tcnica de Normalizao Estimadores Tanh

A tcnica de normalizao Estimadores Tanh requer o estabelecimento dos pontos de referncia a, b e c. Os valores escolhidos para esses pontos foram 0,7, 0,80 e 0,90 para os trs mtodos (mtodo baseado em mincias proposto por Jain et al. [25], mtodo baseado em cristas proposto Marana e Jain [34] e mtodo baseado em mincias do software NBIS [41]) por serem os que apresentaram o melhor resultado. Dessa forma, 70% das pontuaes ficaram no intervalo (-a, +a), 80% das pontuaes no intervalo (-b, +b) e 90% no intervalo (-c, +c), onde corresponde pontuao genuna mdia.

6.4.3

Pesos Estabelecidos para as Tcnicas de Fuso

A tcnica de fuso Regresso Logstica no nvel de classificao e a tcnica Soma com

Pesos no nvel de pontuao requerem que pesos sejam estabelecidos para os mtodos de reconhecimento de impresses digitais utilizados na fuso. Esta seo apresenta os resultados obtidos pelas duas abordagens utilizadas para o estabelecimento dos pesos. 1. Resultados da abordagem proposta por Wang, Tan e Jain [55] (explicada em 5.2.5.1) Fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias proposto por Jain et al. [25]: 54% para o mtodo baseado em mincias e de 46% para o mtodo baseado em cristas. Fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias do software NBIS [41]: 59% para o mtodo baseado em mincias e de 41% para o mtodo baseado em cristas. Fuso do mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41]: 44% para o mtodo baseado em mincias proposto por Jain et al. [25] e 56% para o mtodo baseado em mincias do software NBIS [41]. 2. Resultados da abordagem que estabeleceu os pesos empiricamente:

94

Conforme explicado na seo 6.3, as tcnicas de fuso no nvel de pontuao foram as nicas aplicadas nas fuses que fazem uso do mtodo baseado em mincias do software NBIS. Dessa forma, a abordagem de estabelecimento de pesos empiricamente somente foi realizada para a tcnica Soma com Pesos nas fuses que utilizam esse mtodo. J para a fuso do mtodo proposto por Marana e Jain [34] com o mtodo Jain et al. [25] tanto a fuso em nvel de classificao quanto em nvel de pontuao foram realizadas, e, portanto, a abordagem de estabelecimento de pesos empiricamente foi realizada para a tcnica Regresso Logstica e para a tcnica Soma com Pesos. Os pesos que alcanaram os melhores resultados para a tcnica de regresso logstica no nvel de classificao para a fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias proposto por Jain et al. [25] foi: 49% para o mtodo baseado em mincias e 51% para o mtodo baseado em cristas. O grfico apresentado na Figura 50 apresenta a posio na qual 100% das imagens tm pelo menos uma recuperao correta conforme o peso para o mtodo baseado em mincias foi variado.

Posio (rank) 100% das Imagens com Recuperao Correta

9 8 7 6 5 4 3 2 1 0

20%

30%

40%

50%

60%

70%

80%

90%

Figura 50: Pesos empiricamente calculados para a fuso regresso logstica do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25].

95

Os pesos que alcanaram os melhores resultados para a tcnica soma com pesos no nvel de pontuao foram: 1. Fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias proposto por Jain et al. [25]: i. Tcnica de normalizao Min-Max: 80% para o mtodo baseado em mincias e 20% para o mtodo baseado em cristas ii. Tcnica de normalizao Funo Sigmide Dupla: 54% para o mtodo baseado em mincias e 46% para o mtodo baseado em cristas iii. Tcnica de normalizao Estimadores Tanh: 50% para o mtodo baseado em mincias e 50% para o mtodo baseado em cristas. A Figura 51 apresenta o valor do EER obtido para os pesos escolhidos em cada tcnica de normalizao bem como para os demais pesos testados.
8% 7% 6%

Taxa de EER

5% 4% 3%
Min Max

2% 1% 0%
20% 30% 40% 50% 54% 60% 70% 80% Funo Sigmide Dupla Estimadores Tanh

Figura 51: Pesos estabelecidos para a fuso soma com pesos do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25].

96

2. Fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias do software NBIS [41]: Os pesos de 80% para o mtodo baseado em mincias e 20% para o mtodo baseado em cristas apresentaram os melhores resultados em todas as tcnicas de normalizao (Min-Max, Funo Sigmide Dupla, Estimadores de Tanh) 3. Fuso do mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41]: Os pesos de 20% para o mtodo baseado em mincias proposto por Jain et al. [25] e 80% para o mtodo baseado em mincias do software NBIS [41] apresentaram os melhores resultados em todas as tcnicas de normalizao (Min-Max, Funo Sigmide Dupla, Estimadores de Tanh)

6.4.4

Resultados da Fuso do Mtodo Baseado em Cristas com o Mtodo

Baseado em Mincias proposto por Jain

As sees a seguir apresentam os resultados obtidos na fuso do mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias proposto por Jain et al. [25].

6.4.4.1

Nvel de Classificao

Os resultados obtidos por cada uma das tcnicas implementadas dentro desse nvel de fuso so apresentados a seguir:

1. Classificao mais Alta Para a tcnica de fuso Classificao mais Alta, na anlise pela medida Recuperao Correta, com o rank 2 foi garantido para 100% das imagens do banco pelo menos um casamento genuno. Esse resultado representou aumento de 75% na acurcia

97

quando comparada ao mtodo mais preciso, o mtodo baseado em mincias em questo (100% das imagens so alcanados apenas com rank 8). Na Figura 52 possvel observar um grfico representativo sobre essa anlise.

Figura 52: Taxa de recuperao correta obtida pela tcnica de classificao mais alta na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25].

Na Tabela 9 apresentada em termos de porcentagem a melhoria na acurcia obtida pela tcnica de fuso Classificao mais Alta em relao ao mtodo baseado em mincias proposto por Jain et al. [25] e ao mtodo baseado em cristas.

Tabela 9: Melhoria obtida pela tcnica de fuso classificao mais alta na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25]. Recuperao correta 100% das Imagens Rank Mtodo baseado em mincias proposto por Jain et al. Mtodo baseado em cristas 8 13 Rank Fuso 2 % Melhoria 75,00%

98

2. Contador do Borda Para a tcnica de fuso Contador do Borda, na anlise pela medida Recuperao Correta, para rank 1 (quando apenas uma imagem recuperada) obteve-se acerto em 99,63% das imagens (para o mtodo baseado em mincias em questo isso acontecia com 99,25%). Sendo que o rank 4 garantiu para 100% das imagens do banco, pelo menos um casamento genuno. Esse resultado representou aumento de 50% na acurcia quando comparado ao mtodo mais preciso, o mtodo baseado em mincias em questo (100% das imagens so alcanados apenas com rank 8). Na Figura 53 possvel observar um grfico representativo sobre essa anlise.

Figura 53: Taxa de recuperao correta obtida pela tcnica contador do Borda na fuso do mtodo baseado em cristas proposto com o mtodo baseado em mincias proposto por Jain et al. [25].

Na Tabela 10 apresentada em termos de porcentagem a melhoria na acurcia obtida pela tcnica de fuso Contador do Borda em relao ao mtodo baseado em mincias por Jain et al. [25] e ao mtodo baseado em cristas.

99

Tabela 10: Melhoria obtida pela tcnica de fuso contador do borda na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25]. Recuperao Correta - 100% das Imagens Rank Mtodo baseado em mincias proposto por Jain et al. Mtodo baseado em cristas 8 13 Rank Fuso 4 % Melhoria 50,00%

3. Regresso Logstica: Esta tcnica foi aplicada utilizando duas abordagens para o estabelecimento de pesos conforme explicado na seo 5.2.5.1: a) A primeira abordagem, proposta por Wang, Tan e Jain [55] que estabeleceu o peso de 54% para o mtodo baseado em mincias em questo e de 46% para o mtodo baseado em cristas. Utilizando essa abordagem, na anlise pela medida Recuperao Correta, para rank 1 (quando apenas uma imagem recuperada) obteve-se acerto em 99,63% das imagens (para o mtodo baseado em mincias em questo isso acontecia com 99,25%). Sendo que o rank 6 garantiu para 100% das imagens do banco pelo menos um casamento genuno. Esse resultado representou aumento de 25% na acurcia quando comparada ao mtodo mais preciso. b) A segunda abordagem estabeleceu empiricamente o peso de 49% para o mtodo baseado em mincias em questo e de 51% para o mtodo baseado em cristas. Utilizando essa abordagem, na anlise pela medida Recuperao Correta, para rank 1 (quando apenas uma imagem recuperada) obteve-se acerto em 99,63% das imagens (para o mtodo baseado em mincias em questo isso acontecia com 99,25%). Sendo que o rank 4 garantiu para 100% das imagens do banco pelo menos um casamento genuno. Esse resultado representou aumento de 50% na acurcia quando comparada ao mtodo mais preciso. Na Figura 54 possvel observar um grfico representativo sobre essa anlise.

100

Figura 54: Taxa de recuperao correta obtida pela tcnica regresso logstica na fuso mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25].

Na Tabela 11 apresentada em termos de porcentagem a melhoria na acurcia obtida pela tcnica de fuso Regresso Logstica em relao ao mtodo baseado em mincias proposto por Jain et al. [25] e ao mtodo baseado em cristas.
Tabela 11: Melhoria obtida pela tcnica de fuso regresso logstica na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25]. Recuperao Correta - 100% das Imagens Pesos - Abordagem 1 Rank Mtodo baseado em mincias proposto por Jain et al. Mtodo baseado em cristas 8 13 Rank Fuso 6 % Melhoria 25,00% Pesos - Abordagem 2 Rank Fuso 4 % Melhoria 50,00%

6.4.4.2

Nvel de Deciso

A tcnica de fuso utilizada no nvel de deciso foi a Deciso Bayesiana. Conforme explicado na seo 5.2.5.2, esta tcnica foi aplicada utilizando duas abordagens para a seleo das imagens de treinamento:

101

a) Na primeira abordagem foram gerados 10 pacotes de 4 a 7 imagens por usurio, todas as imagens escolhidas randomicamente. Os resultados de todos os conjuntos da mesma quantidade de imagens foram calculados e depois a mdia foi obtida. b) Na segunda abordagem tambm foram gerados 10 pacotes de 4 a 7 imagens por usurio. Porm, 4 imagens desses pacotes foram fixadas por representarem mais completamente a variabilidade intraclasse de cada usurio. A taxa de identificao baseada na segunda abordagem manteve-se praticamente constante quando 4, 5, 6 e 7 imagens foram utilizadas na fase de treinamento ficando numa faixa de 99,60% a 99,75%. Alm disso, essa taxa apresentou uma melhoria na acurcia de 0,50% em relao ao mtodo baseado em mincias em questo (99,25%). No entanto, a

primeira abordagem representou uma queda na acurcia do sistema para todos os pacotes de imagens. Na Figura 55 possvel observar um grfico representativo dos resultados obtidos.

Figura 55: Taxa de identificao obtida pela tcnica de fuso deciso bayesiana na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25].

102

Na Tabela 12 apresentada em termos de porcentagem a melhoria na acurcia obtida pela tcnica de fuso Deciso Bayesiana utilizada na segunda abordagem em relao ao mtodo baseado em mincias proposto por Jain et al. [25] e ao mtodo baseado em cristas.
Tabela 12: Melhoria obtida pela tcnica de fuso deciso bayesiana na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25]. Taxa de Identificao Deciso Bayesiana Abordagem 2 Mtodo baseado em mincias proposto por Jain et al. 99,25% Mtodo baseado em cristas 98,75% 99,75% % Melhoria 0,50%

6.4.4.3

Nvel de Pontuao

Conforme explicado na seo 4.2.2.3, antes de aplicar as tcnicas de fuso no nvel de pontuao, preciso normalizar as pontuaes obtidas pelos diferentes mtodos de reconhecimento de impresses digitais para que as mesmas estejam num mesmo intervalo. Diante disso, foram utilizadas 3 tcnicas de normalizao (Min-Max, Funo Sigmide Dupla e Estimadores Tanh) e para cada tcnica de normalizao foram aplicadas as tcnicas de fuso no nvel de pontuao implementadas (Soma, Produto, Pontuao Mxima, Pontuao Mnima e Soma com Pesos). A Tabela 13 apresenta os resultados obtidos pelas tcnicas de fuso em Nvel de Pontuao para cada uma das tcnicas de normalizao utilizadas.
Tabela 13: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25]. EER Soma Min-Max Funo Sigmide Dupla Estimadores Tanh 4,00% 3,53% 2,85% Produto 6,18% 6,04% 2,79% Pontuao Mxima 3,57% 3,68% 4,47% Pontuao Mnima 8,38% 8,26% 5,60% Soma com Pesos 3,36% 3,28% 2,85%

Para a tcnica Soma com Pesos, esto sendo considerados os pesos que obtiveram os melhores resultados: i) Min-Max: 20% para o mtodo baseado em cristas e 80% para o mtodo baseado em mincias em questo (estabelecidos empiricamente); ii) Funo Sigmide Dupla: 54% e 46% (estabelecidos pela abordagem de Wang, Tan e Jain [55] e confirmados

103

empiricamente); iii) Estimadores Tanh: 50% e 50% (estabelecidos empiricamente). A seo 5.2.5.1 explica as abordagens utilizadas para estabelecer os pesos. A avaliao do desempenho nesse nvel de fuso foi obtida pelo valor de EER, sendo que a tcnica de normalizao Estimadores Tanh seguida da tcnica de fuso Produto das Pontuaes apresentou o menor valor, 2,79% (essa taxa de 4,09% no mtodo baseado em mincias em questo e 8,27% no mtodo baseado em cristas). importante ressaltar que esse resultado foi alcanado aplicando-se a tcnica de normalizao Estimadores Tanh nas pontuaes dos dois mtodos (baseado em cristas e baseado em mincias). A Figura 56 apresenta uma comparao grfica do valor de EER em todas as tcnicas de normalizao e fuso utilizadas e em relao aos mtodos baseado em cristas e baseado em mincias em questo.
EER Mtodo Baseado em Cristas proposto por Marana e Jain

EER Mtodo Baseado em Mincias proposto por Jain et al. 2,79% 3,28% 3,36% Figura 56: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25].

104

Na Tabela 14 apresentada em termos de porcentagem a melhoria na acurcia obtida pela fuso no nvel de pontuao que obteve o melhor resultado, Estimadores Tanh Produto das Pontuaes, em relao ao mtodo baseado em mincias em questo e ao mtodo baseado em cristas.
Tabela 14: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25]. EER Fuso Pontuao Melhor Resultado Mtodo baseado em mincias Mtodo baseado em cristas 4,09% 8,27% 2,79% % Melhoria 31,78%

Na Figura 57 possvel observar as taxas de erro FAR (impostores aceitos) e FRR (genunos rejeitados) conforme o limiar variado bem como o valor de EER obtido aps a aplicao da fuso em nvel de pontuao com a tcnica de normalizao Estimadores Tanh e a tcnica de fuso Produto das Pontuaes.

Figura 57: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh - Produto) na fuso do mtodo baseado em cristas com o mtodo baseado em mincias proposto por Jain et al. [25].

105

6.4.5

Resultados da Fuso do Mtodo Baseado em Cristas com o Mtodo

Baseado em Mincias do software NBIS

Conforme explicado na seo 6.3, as tcnicas de fuso no nvel de pontuao foram as nicas que foram aplicadas nas fuses que fazem uso do mtodo baseado em mincias do software NBIS.

6.4.5.1

Nvel de Pontuao

Conforme explicado na seo 4.2.2.3, antes de aplicar as tcnicas de fuso no nvel de pontuao, preciso normalizar as pontuaes obtidas pelos diferentes mtodos para que as mesmas estejam num mesmo intervalo. A Tabela 15 apresenta os resultados obtidos pelas tcnicas de fuso em Nvel de Pontuao para cada uma das tcnicas de normalizao utilizadas.
Tabela 15: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS. EER Soma Min-Max Funo Sigmide Dupla Estimadores Tanh 4,82% 5,18% 3,08% Produto 4,82% 6,99% 3,07% Pontuao Mxima 8,27% 8,27% 8,27% Pontuao Mnima 3,08% 4,11% 3,08% Soma com Pesos 2,71% 3,47% 2,36%

Para a tcnica Soma com Pesos, esto sendo considerados os pesos que obtiveram os melhores resultados: 20% para o mtodo baseado em cristas e 80% para o mtodo baseado em mincias em questo (estabelecidos empiricamente) para as trs tcnicas de normalizao (Min-Max, Funo Sigmide Dupla e Estimadores Tanh). A seo 5.2.5.1 explica as abordagens utilizadas para estabelecer os pesos de cada mtodo. A avaliao do desempenho nesse nvel de fuso foi obtida pelo valor de EER, sendo que a tcnica de normalizao Estimadores Tanh seguida da tcnica de fuso Soma com Pesos apresentou o menor valor, 2,36% (essa taxa de 3,08% no mtodo baseado em mincias em questo e 8,27% no mtodo baseado em cristas). importante ressaltar que esse resultado foi

106

alcanado aplicando a tcnica de normalizao Estimadores Tanh nas pontuaes dos dois mtodos (baseado em cristas e baseado em mincias). A Figura 58 apresenta uma comparao grfica do valor de EER em todas as tcnicas de normalizao e fuso utilizadas e em relao aos mtodos baseado em cristas e baseado em mincias em questo.
EER Mtodo Baseado em Cristas proposto por Marana e Jain

2,71%

3,47%

EER Mtodo Baseado em Mincias do software NBIS

Figura 58: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS.

Na Tabela 16 apresentada em termos de porcentagem a melhoria na acurcia obtida pela fuso no nvel de pontuao que obteve o melhor resultado, Estimadores Tanh Soma com Pesos, em relao ao mtodo baseado em mincias em questo e ao mtodo baseado em cristas.

2,36%

107

Tabela 16: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS [41]. EER Fuso Pontuao Melhor Resultado Mtodo baseado em mincias Mtodo baseado em cristas % Melhoria 23,38%

3,08% 8,27%

2,36%

Na Figura 59 possvel observar as taxas de erro FAR (impostores aceitos) e FRR (genunos rejeitados) conforme o limiar variado bem como o valor de EER obtido aps a aplicao da fuso em nvel de pontuao com a tcnica de normalizao Estimadores Tanh e a tcnica de fuso Soma com Pesos.

Figura 59: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh Soma com Pesos) na fuso do mtodo baseado em cristas com o mtodo baseado em mincias do software NBIS.

6.4.6

Fuso dos Mtodos Baseados em Mincias

Conforme explicado na seo 6.3, as tcnicas de fuso no nvel de pontuao foram as

nicas que foram aplicadas nas fuses que fazem uso do mtodo baseado em mincias do software NBIS.

108

6.4.6.1

Nvel de Pontuao

Conforme explicado na seo 4.2.2.3, antes de aplicar as tcnicas de fuso no nvel de pontuao, preciso normalizar as pontuaes obtidas pelos diferentes mtodos para que as mesmas estejam num mesmo intervalo. A Tabela 17 apresenta os resultados obtidos pelas tcnicas de fuso em Nvel de Pontuao para cada uma das tcnicas de normalizao utilizadas.
Tabela 17: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41]. EER Soma Min-Max Funo Sigmide Dupla Estimadores Tanh 2,77% 2,79% 2,35% Produto 2,56% 2,99% 2,54% Pontuao Mxima 4,09% 4,09% 3,84% Pontuao Mnima 3,08% 4,11% 3,08% Soma com Pesos 2,05% 2,62% 1,77%

Para a tcnica Soma com Pesos, esto sendo considerados os pesos que obtiveram os melhores resultados: 20% para o mtodo baseado em mincias proposto por Jain et al. [25] e 80% para o mtodo baseado em mincias do software NBIS (estabelecidos empiricamente) para as trs tcnicas de normalizao (Min-Max, Funo Sigmide Dupla e Estimadores Tanh). A seo 5.2.5.1 explica as abordagens utilizadas para estabelecer os pesos para cada mtodo. A avaliao do desempenho nesse nvel de fuso foi obtida pelo valor de EER, sendo que a tcnica de normalizao Estimadores Tanh seguida da tcnica de fuso Soma com Pesos apresentou o menor valor, 1,77% (essa taxa de 3,08% no mtodo baseado em mincias do software NBIS e 4,09% no mtodo baseado em mincias proposto por Jain et al. [25]). importante ressaltar que esse resultado foi alcanado aplicando-se a tcnica de normalizao Estimadores Tanh nas pontuaes dos dois mtodos. A Figura 60 apresenta uma comparao grfica do valor de EER em todas as tcnicas de normalizao e fuso utilizadas e em relao aos mtodos baseado em mincias do software NBIS e baseado em mincias proposto por Jain et al. [25].

109

EER Mtodo Baseado em Mincias proposto por Jain et al. EER Mtodo Baseado em Mincias do software NBIS 2,62% Figura 60: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41].

Na Tabela 18 apresentada em termos de porcentagem a melhoria na acurcia obtida pela fuso no nvel de pontuao que obteve o melhor resultado, Estimadores Tanh Soma com Pesos, em relao ao mtodo baseado em mincias proposto por Jain et al. [25] e ao mtodo baseado em mincias do software NBIS [41].
Tabela 18: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso do mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS[41]. EER Fuso Pontuao Melhor Resultado Mtodo baseado em mincias do software NBIS % Melhoria

3,08%
1,77% 42,53%

Mtodo baseado em mincias proposto por Jain et 4,09% al.

2,05%

1,77%

110

Na Figura 61 possvel observar as taxas de erro FAR (impostores aceitos) e FRR (genunos rejeitados) conforme o limiar variado bem como o valor de EER obtido aps a aplicao da fuso em nvel de pontuao com a tcnica de normalizao Estimadores Tanh e a tcnica de fuso Soma com Pesos.

Figura 61: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh Soma com Pesos) na fuso do mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41].

6.4.7

Fuso do Mtodo Baseado em Cristas com os Mtodos Baseados

em Mincias
Conforme explicado na seo 6.3, as tcnicas de fuso no nvel de pontuao foram as nicas que foram aplicadas nas fuses que fazem uso do mtodo baseado em mincias do software NBIS.

6.4.7.1

Nvel de Pontuao

Conforme explicado na seo 4.2.2.3, antes de aplicar as tcnicas de fuso no nvel de pontuao, preciso normalizar as pontuaes obtidas pelos diferentes mtodos para que as mesmas estejam num mesmo intervalo.

111

A Tabela 19 apresenta os resultados obtidos pelas tcnicas de fuso em Nvel de Pontuao para cada uma das tcnicas de normalizao utilizadas.
Tabela 19: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso do mtodo baseado em cristas com os mtodos baseados em mincias proposto por Jain et al. [25] e do software NBIS [41]. EER Soma Min-Max Funo Sigmide Dupla Estimadores Tanh 2,91% 2,38% 2,38% Produto 6,00% 5,07% 2,13% Pontuao Pontuao Mxima Mnima 3,57% 3,04% 3,09% 3,81% 8,15% 3,98%

A avaliao do desempenho nesse nvel de fuso foi obtida pelo valor de EER, sendo que a tcnica de normalizao Estimadores Tanh seguida da tcnica de fuso Produto apresentou o menor valor, 2,13% (essa taxa de 3,08% no mtodo baseado em mincias do software NBIS, 4,09% no mtodo baseado em mincias proposto por Jain et al. [25] e 8,27% no mtodo baseado em cristas). importante ressaltar que esse resultado foi alcanado aplicando-se a tcnica de normalizao Estimadores Tanh nas pontuaes dos trs mtodos. A Figura 62 apresenta uma comparao grfica do valor do EER em todas as tcnicas de normalizao e fuso utilizadas e em relao aos mtodos utilizados. Na Tabela 20 apresentada em termos de porcentagem a melhoria na acurcia obtida pela fuso no nvel de pontuao que obteve o melhor resultado, Estimadores Tanh Produto, em relao aos mtodos utilizados.

112

EER Mtodo Baseado em Cristas proposto por Marana e Jain

EER Mtodo Baseado em Mincias proposto por Jain et al. EER Mtodo Baseado em Mincias do software NBIS

2,91% 2,38%

Figura 62: EER obtida pelas tcnicas de fuso em nvel de pontuao na fuso mtodo baseado em cristas com os mtodos baseado em mincias proposto por Jain et al. [25] e do software NBIS [41].

Tabela 20: Melhoria obtida pela tcnica de fuso no nvel de pontuao que obteve melhor resultado na fuso do mtodo baseado em cristas com os mtodos baseados em mincias proposto por Jain et al. [25] e do software NBIS [41]. EER Fuso Pontuao Melhor Resultado Mtodo baseado em mincias do software NBIS Mtodo baseado em mincias proposto por Jain et al. Mtodo baseado em cristas % Melhoria

2,13%

3,08% 4,09% 8,27%

2,13%

30,84%

Na Figura 63 possvel observar as taxas de erro FAR (impostores aceitos) e FRR (genunos rejeitados) conforme o limiar variado bem como o valor de EER obtido aps a fuso em nvel de pontuao com a tcnica de normalizao Estimadores Tanh e a tcnica de fuso Produto.

113

Figura 63: EER obtida pela fuso em nvel de pontuao de melhor resultado (Estimadores Tanh Produto) na fuso do mtodo baseado em cristas com os mtodos baseados em mincias proposto por Jain et al. [25] e do software NBIS [41].

6.5 Resumo dos Resultados Obtidos

A Tabela 21 apresenta um resumo dos resultados obtidos e apresentados neste captulo, considerando a seguinte nomenclatura: Fuso 1: Mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em Mincias proposto por Jain et al. [25] Fuso 2: Mtodo baseado em cristas proposto por Marana e Jain [34] com o mtodo baseado em mincias do software NBIS [41]. Fuso 3: Mtodo baseado em mincias proposto por Jain et al. [25] com o mtodo baseado em mincias do software NBIS [41]. Fuso 4: Mtodo baseado em cristas por Marana e Jain [34] com os mtodos baseados em mincias proposto por Jain et al. [25] e do software NBIS [41].

114

Tabela 21: Resumo dos resultados obtidos nas fuses realizadas Fuso Nvel de Fuso 1 2 3 Melhor Tcnica de Classificao Fuso Mais Alta ----Taxa de Recuperao Classificao Correta Resultado Obtido De: rank 8 Para: rank 2 ----% de Melhoria 75% ----Melhor Tcnica de Fuso Deciso Resultado Obtido % de Melhoria Melhor Tcnica de Normalizao Melhor Tcnica de Fuso Deciso Bayesiana Abordagem 2 Taxa de Identificao De: 99,25% Para: 99,75% 0,50% Estimadores Tanh

4 ---

-----

---

---

---

------------Estimadores Estimadores Estimadores Tanh Tanh Tanh Soma com Soma com Produto Produto Pesos Pesos Pontuao EER EER EER EER De: 4,09 De: 3,08 De: 3,08 De: 3,08 Resultado Obtido Para: 2,79 Para: 2,36 Para: 1,77 Para: 2,13 % de Melhoria 31,78% 23,38% 42, 53% 30,84% ---: Identifica os nveis de fuso no realizados pelo fato do mtodo do software NBIS apresentar acurcia mxima na base de dados utilizada (DB1A- FVC2002)

6.6 Tempo de Processamento

Em sistemas biomtricos utilizados em aplicaes comerciais, alm da acurcia, importante que os mtodos utilizados tenham um tempo de processamento considerado vivel por seus usurios. Na Tabela 22 so apresentados os tempos (em segundos) necessrios para cada um dos mtodos utilizados gerar uma pontuao de casamento. Esses tempos foram divididos considerando-se os casamentos genunos de forma separada dos casamentos impostores porque se observou que para dois dos mtodos h diferena no processamento de casamentos genunos e casamentos impostores.

115

importante ressaltar que os experimentos foram realizados num computador padro PC com Processador Core 2 de 1.66GHz e 2GB de Memria RAM, conforme descrito na seo 5.1.
Tabela 22: Tempo de processamento para os mtodos de reconhecimento de impresses digitais utilizados gerarem uma pontuao de casamento. Casamento Genuno Casamento Impostor Mtodo Baseado em Cristas Proposto por Marana e Jain Mtodo Baseado em Mincias Proposto por Jain et. al. Mtodo Baseado em Mincias do software NBIS 8s 1,4 s 0,5 s 9s 1,4 s 0,8 s

6.7 Consideraes Finais

Este captulo apresentou todos os resultados obtidos no presente trabalho. Ele iniciou apresentando os resultados obtidos individualmente pelos mtodos de reconhecimento de impresses digitais utilizados. Em seguida, foram elucidados os resultados obtidos pela tcnica Q-Statistic e Q-Average utilizada para medir o grau de dependncia entre esses mtodos, os parmetros estabelecidos pelas tcnicas de normalizao de pontuao e os resultados das abordagens utilizadas para o estabelecimento dos pesos. Depois, foram mostrados os resultados obtidos por todas as tcnicas de fuso realizadas. Para a fuso do mtodo baseado em cristas proposto com o mtodo baseado em mincias proposto por Jain et al. [25] foram apresentados os resultados das tcnicas de fuso no nvel de classificao (Classificao mais Alta, Contador do Borda e Regresso Logstica), no nvel de deciso (Deciso Bayesiana) e no nvel de pontuao (Soma, Produto, Pontuao Mxima, Pontuao Mnima e Soma com Pesos considerando as trs tcnicas de normalizao implementadas). Para as fuses que faziam uso do software NBIS, as tcnicas de fuso no nvel de pontuao foram aplicadas e seus resultados foram tambm abordados neste captulo. Por fim, foram mostrados os tempos de processamento necessrios para os mtodos de reconhecimento de impresses digitais avaliados neste trabalho gerarem uma pontuao de casamento.

116

7. Discusso

Neste captulo so discutidos os resultados obtidos individualmente pelos mtodos de reconhecimento de impresses digitais utilizados neste trabalho, bem como os resultados obtidos pelas tcnicas de fuso realizadas.

7.1 Mtodo Baseado em Mincias Proposto por Jain

Os resultados gerados por esse mtodo apresentaram um valor de EER de 4,09% e apenas o rank 8 obteve pelo menos uma Recuperao Correta para todas as imagens da base de dados DB1A-FVC2002. Esse desempenho pode representar um grande impasse para adoo deste tipo de tecnologia em larga escala. Um exemplo de aplicao comercial em que uma taxa de 4,09% poderia ser invivel uma locadora de filmes em uma cidade como Bauru com mais de 350.000 habitantes. Se essa locadora detivesse 1% dos habitantes como clientes, ou seja, 3.500 clientes, cerca de 140 clientes poderiam ser incomodados (clientes rejeitados pelo sistema). Alm disso, o fato da taxa de Recuperao Correta para 100% das imagens ser obtida apenas com rank 8, significa que o sistema poderia erroneamente identificar sete outros clientes antes do cliente real em um cenrio de pior caso. Essa situao evidencia a necessidade de analisar os pontos fortes e os pontos fracos desse mtodo a fim de investigar formas de melhorar a sua acurcia e contribuir para que o uso deste tipo de tecnologia ocorra de uma forma confivel.

117

Neste sentido, o mtodo proposto por Jain et al. [25] apresentou um desempenho timo em imagens sem deslocamento e rotao exagerados e de alta qualidade. Porm, a etapa de extrao das mincias, crucial para o bom desempenho do mtodo, se mostrou um problema bastante complexo em imagens com pequena rea de sobreposio entre a imagem de template e a imagem de consulta e em imagens de baixa qualidade. A Figura 64 apresenta um exemplo de uma imagem com pequena rea de sobreposio. Essa imagem em especfico foi decisiva para que a taxa de Recuperao Correta para 100% das imagens fosse obtida apenas quando 8 imagens so recuperadas, ou seja, a pontuao de casamentos impostores foi maior nas 7 primeiras tentativas.

Figura 64: a) Imagem de consulta; b) Mincias extradas da imagem de consulta; c) Imagem de template com melhor casamento (casamento impostor); d) Mincias extradas da imagem de template.

Um exemplo da etapa de extrao de mincias em uma imagem de baixa qualidade apresentado na Figura 65.

118

Figura 65: a) Imagem ruidosa; b) Mincias extradas da imagem, os crculos so mincias verdadeiras enquanto que os quadrados so as mincias esprias [47].

a)

b)

7.2 Mtodo Baseado em Cristas Proposto por Marana e Jain

O valor de EER de 8,27% representa uma taxa de erro bastante alta para aplicaes comerciais e o fato da taxa de Recuperao Correta para 100% das imagens ser obtida apenas quando as 13 mais provveis imagens so recuperadas (rank 13) tambm, principalmente tendo em vista que vrios sistemas de segurana em que uma classificao gerada para uma futura deciso utilizam os 10 mais provveis indivduos. Esse resultado mostra que as cristas so medidas menos discriminatrias que os pontos de mincias. A Figura 66 apresenta um exemplo de casamento impostor que obteve uma pontuao mais alta em relao a todos os casamentos genunos da mesma imagem. Essa imagem em especfico foi decisiva para que a taxa de Recuperao Correta para 100% das imagens fosse obtida apenas quando 13 mais provveis imagens so recuperadas, ou seja, a pontuao de casamentos impostores foi maior nas 12 primeiras tentativas, num cenrio de pior caso.

119

a)

b)

c)

Figura 66: a) Imagem de Consulta; b) Imagem de Template e c) Casamento impostor com alta pontuao no mtodo baseado em cristas.

No entanto, pode-se observar que as imagens que ocasionaram problema no mtodo baseado em mincias proposto por Jain et al. no apresentaram problema no mtodo baseado em cristas. Por exemplo, uma imagem com pequena rea de sobreposio que contribui no mtodo baseado em mincias para que a taxa de Recuperao Correta para 100% das imagens fosse obtida apenas quando as 8 mais provveis imagens so recuperadas, obteve na sua lista de classificao (rank) pelo mtodo baseado em cristas um resultado genuno j na primeira tentativa. Na Figura 67 mostrado o casamento genuno obtido por esta imagem.

a)

b)

c)

Figura 67: a) Imagem de Consulta; b) Imagem de Template e c) Casamento genuno de imagens com pequena rea de sobreposio obtido pelo mtodo baseado em cristas.

Pode-se perceber ainda que todas as imagens que pelo mtodo baseado em mincias proposto por Jain et al. no obtiveram em sua classificao um resultado genuno na primeira tentativa, obtiveram um resultado genuno na primeira tentativa pelo mtodo baseado em cristas e vice-versa. Todos esses resultados corroboram os indcios obtidos pela medida Q-Statistic (apresentada na seo 5.2.1) de que a fuso dos mtodos baseados em cristas e em mincias

120

proposto por Jain et al. poderia representar um aumento na acurcia. Tal aumento pode ser observado pelos resultados obtidos nas tcnicas de fuso realizadas e discutidas na seo 7.4.1.

7.3 Mtodo Baseado em Mincias do software NBIS

Os resultados gerados por esse mtodo apresentaram um valor de EER de 3,08% sendo que com rank 1 foi garantido para 100% das imagens do banco um casamento genuno, conseqentemente a taxa de identificao tambm de 100%. Isso significa que esse mtodo apresenta acurcia mxima para essas duas ltimas medidas de desempenho na base de dados utilizada. No entanto, ao investigar os motivos do valor de EER apresentar-se alto quando comparada s outras duas medidas de desempenho, foi possvel observar que casamentos impostores de imagens com alta rotao ou alto deslocamento da impresso digital apresentaram uma pontuao alta, contribuindo, dessa forma para o aumento da taxa FAR. Essa anlise tomou como base que 62,5% dos erros ocorreram com os casamentos da terceira e da quarta imagem do banco de dados DB1A-FVC2002, imagens caracterizadas pela alta rotao e deslocamento em relao ao centro da rea de leitura do sensor. Na Figura 68 so mostrados casamentos impostores que apresentaram uma pontuao maior que o limiar de EER (mais informaes sobre o clculo da EER e seu limiar podem ser obtidas na seo 2.2.3.1).

121

a)

b)

c)

d)

Figura 68: Casamentos impostores que obtiveram uma pontuao maior que o limiar de EER (a com b e c com d).

importante ressaltar que o primeiro casamento impostor da Figura 68 (a com b) apresentou uma pontuao mais baixa que os limiares de EER nos mtodos baseado em cristas proposto por Marana e Jain e baseado em mincias proposto por Jain et al. Isso significa que nesses dois mtodos, esse casamento no contribuiu para o aumento da taxa FAR. O segundo casamento da Figura 68 (c com d) tambm apresentou uma pontuao mais alta que o limiar de EER no mtodo baseado em mincias proposto por Jain et al. Porm, no mtodo baseado em cristas, este casamento obteve uma pontuao mais baixa que o limiar de EER. Todos esses resultados corroboram os indcios obtidos pela medida Q-Statistic (apresentada na seo 6.4.1) de que a fuso do mtodo baseado em mincias do software NBIS com os mtodos baseados em cristas e em mincias proposto por Jain et al. poderia representar um aumento na acurcia. Tal aumento pode ser observado pelos resultados obtidos nas tcnicas de fuso realizadas e discutidas nas sees 7.4.2, 7.4.3 e 7.4.4.

122

7.4 Fuso
Nesta seo so discutidos os resultados obtidos para cada fuso realizada (explicadas na seo 5.2.1)

7.4.1

Fuso do Mtodo Baseado em Cristas com o Mtodo Baseado em

Mincias Proposto por Jain

Para a fuso realizada no nvel de classificao, pode-se observar que todas as trs tcnicas utilizadas apresentaram um aumento significativo de desempenho. No entanto, a tcnica que apresentou maior porcentagem de melhoria foi a Classificao mais Alta com uma porcentagem de melhoria de 75% na quantidade de imagens recuperadas para que 100% das imagens do banco tenham pelo menos um casamento genuno. Isso confirma que uma das vantagens dessa tcnica fazer um uso eficiente dos pontos fortes de cada mtodo. J as tcnicas Contador do Borda e Regresso Logstica apresentaram desempenho muito semelhantes e inferiores tcnica Classificao mais Alta. Uma das razes que ambas representam uma medida do grau de concordncia entre os diferentes mtodos, sendo dependente do desempenho de ambos. Portanto, quando os mtodos tm uma diferena de desempenho significativa (como o caso dos mtodos utilizados), a porcentagem de melhoria aps a fuso tende a no ser to alta quando comparada com a tcnica Classificao mais Alta. Para a fuso no nvel de deciso utilizando a tcnica Deciso Bayesiana, pode-se observar que a escolha das imagens que faro parte da fase treinamento crucial. Isso se torna ainda mais crtico quando apenas um nmero limitado de imagens por usurio est disponvel (no banco de dados em questo, 8 imagens por usurio). Quando, no entanto, a fase de treinamento realizada de forma a representar a variabilidade intraclasse de cada usurio, essa tcnica de fuso apresentou uma melhoria de 0,5% na taxa de identificao em relao ao mtodo baseado em mincias. Em uma base de dados como a instalada pelo FBI no ano 2000 com 47 milhes de impresses digitais, 0,5% de melhoria na taxa de reconhecimento significaria 235.000 impresses que poderiam deixar de serem falsamente reconhecidas.

123

J para a fuso no nvel de pontuao, pode-se observar que nem todas as tcnicas de fuso garantem uma melhoria na acurcia e que a tcnica de normalizao um ponto importante a ser considerado. A tcnica de normalizao Min-Max foi a que representou um ganho menor de acurcia. Sendo que a tcnica de normalizao Estimadores Tanh seguida da tcnica de fuso Produto das Pontuaes foi a que representou maior aumento na acurcia com uma reduo de 31.78% na EER, de 4,09% para 2,79%. O fato da tcnica de normalizao Min-Max no considerar o comportamento da distribuio das pontuaes e realizar a normalizao apenas tendo como base o maior e menor valores da pontuao pode ser uma explicao para o fato da tcnica de normalizao Funo Sigmide Dupla e principalmente da tcnica de normalizao Estimadores Tanh apresentarem um melhor desempenho. Outro aspecto a ser observado que tanto para a normalizao Min-Max quanto para a Funo Sigmide Dupla, a fuso por meio do operador Soma apresentou os melhores resultados e um ganho na acurcia. J o operador Produto representou uma queda no desempenho aps a fuso. Quando, no entanto, utiliza-se a tcnica de normalizao Estimadores Tanh tanto o operador Soma quanto o operador Produto comportam-se de maneira similar e ambos apresentam um aumento na acurcia maior que todas as outras tcnicas de fuso obtidas pela normalizao Min-Max e pela normalizao Funo Sigmide Dupla. Esse fator evidencia que essa tcnica de normalizao faz com os mtodos sejam menos sensveis a pontuaes muito distantes da pontuao mdia. Essa fuso permitiu verificar que a combinao de mtodos que utilizam diferentes caractersticas (mincias x cristas) e diferentes algoritmos de casamento pode apresentar uma melhoria na acurcia em todos os nveis de fuso aplicados (classificao, deciso e pontuao), evidenciando que o uso da multibiometria pode realmente contornar as diferentes limitaes e explorar os pontos fortes dos diferentes mtodos.

124

7.4.2

Fuso do Mtodo baseado em Cristas com o Mtodo Baseado em

Mincias do software NBIS

Esta fuso foi realizada no nvel de pontuao e pode-se observar que a tcnica de normalizao Estimadores Tanh seguida da tcnica de fuso Soma com Pesos foi a nica que representou uma melhoria significativa na acurcia. A EER passou de 3,08% para 2,36% representando uma melhoria de 23,38%. Um dos fatores que pode explicar esse ganho na acurcia o fato de que os mtodos trabalham com diferentes formas de representao (mincias versus cristas) e,

conseqentemente, diferentes algoritmos para extrao de caractersticas e para o casamento, possibilitando que a falha da extrao ou do casamento que faz uso de uma determinada caracterstica possa ser contornada pela combinao com o mtodo que faz uso de outra caracterstica, conforme mostrado na seo 7.3. Essa fuso permitiu verificar que possvel melhorar a acurcia, mesmo quando a combinao feita entre mtodos com acurcias prprias bem diferentes (a EER do mtodo baseado em cristas maior que o dobro do mtodo baseado em mincias do software NBIS, 8,27%, versus 3,08%), evidenciando novamente que o uso da multibiometria pode contornar as diferentes limitaes e explorar os pontos fortes dos diferentes mtodos.

7.4.3

Fuso dos Mtodos Baseados em Mincias

Esta fuso foi realizada no nvel de pontuao e pode-se observar que a tcnica de

normalizao Estimadores Tanh seguida da tcnica de fuso Soma com Pesos foi a que apresentou maior melhoria na acurcia. A EER passou de 3,08% para 1,77% representando uma melhoria de 42,53%. Essa taxa de melhoria foi bem maior em relao s taxas de melhoria obtidas por todas as demais tcnicas. Embora ambos os mtodos combinados utilizem as mincias como vetores de caractersticas, eles apresentam algoritmos completamente diferentes na fase de casamento, principalmente na etapa de realizao do alinhamento entre a imagem de consulta e de

125

template. Enquanto o mtodo baseado em mincias proposto por Jain et al. representa as mincias por meio de coordenadas polares e utiliza a distncia de edio, o mtodo do software NBIS, utiliza medidas relativas entre as mincias de cada imagem para estabelecer a medida de compatibilidade entre as imagens fazendo com que esse mtodo seja invariante rotao e translao. Essa fuso permitiu verificar que a combinao de mtodos que utilizam a mesma caracterstica (mincias) pode apresentar uma melhoria na acurcia quando seus algoritmos e abordagens utilizadas durante o casamento so diferentes, evidenciando novamente que o uso da multibiometria pode contornar as diferentes limitaes e explorar os pontos fortes dos diferentes mtodos.

7.4.4

Fuso do Mtodo Baseado em Cristas com os Mtodos Baseados

em Mincias
Esta fuso foi realizada no nvel de pontuao e pode-se observar que a tcnica de normalizao Estimadores Tanh seguida da tcnica de fuso Produto foi a que apresentou maior melhoria na acurcia. A EER passou de 3,08% para 2,13% representando uma melhoria de 30,84%. A segunda maior taxa de melhoria foi obtida pela tcnica de normalizao Funo Sigmide Dupla seguida da tcnica de fuso Soma com EER de 2,38%. Todas as demais tcnicas no apresentaram melhoria significativa na acurcia. Essa fuso permitiu verificar que embora um aumento da acurcia tenha sido obtido com essa fuso, o aumento da acurcia no proporcional ao nmero de mtodos combinados. Isso pode ser verificado pelo fato que a fuso utilizando os trs mtodos no apresentou uma melhoria to significativa quanto a fuso do mtodo baseado em mincias do software NBIS com o mtodo baseado em mincias proposto por Jain et al. Isso mostra a importncia de realizar experimentos de uma forma abrangente para se chegar uma metodologia tima de fuso.

126

7.5 Consideraes Finais

Neste captulo foram discutidos inicialmente os resultados obtidos individualmente pelos mtodos de reconhecimento de impresses digitais utilizados. Nessa etapa, foram analisados os pontos em que cada mtodo apresentou erros e esses pontos foram comparados em relao aos outros mtodos para verificar se os indcios de uma possvel melhoria na acurcia, obtidos pelas medidas Q-Statistic e Q-Average, tambm poderiam ser obtidos na prtica. Em seguida, foram discutidos os resultados obtidos em cada fuso realizada e, para as fuses realizadas em mais de um nvel, foram discutidos os resultados de cada nvel.

127

8. Concluses

O objetivo geral deste trabalho aprimorar a acurcia dos sistemas atuais de reconhecimento de impresses digitais por meio da fuso de mtodos baseados em mincias e em cristas, contribuindo, dessa forma, para uma adoo mais segura e confivel dessa tecnologia. Os indcios obtidos pelas medidas Q-Statistic e Q-Average de que as estratgias de fuso definidas no presente trabalho utilizando mtodos baseados em mincias e mtodos baseados em cristas para reconhecimento de impresses digitais poderiam obter um ganho de desempenho, foram mostrados na prtica em todas as fuses propostas e em todos os nveis de fuso. Neste contexto, algumas concluses importantes puderam ser obtidas dentro de cada nvel de fuso: o Fuso no Nvel de Classificao A tcnica de fuso Classificao mais Alta a mais indicada quando os mtodos apresentam diferentes nveis de acurcia por ser capaz de fazer uso eficiente dos pontos fortes de cada mtodo; As tcnicas Contador do Borda e Regresso Logstica no so recomendadas quando os mtodos tm uma diferena de acurcia significativa, por representarem uma medida do grau de concordncia entre os diferentes mtodos, sendo dependente do desempenho de ambos.

128

o Tcnica de Fuso Deciso Bayesiana no Nvel de Deciso A escolha das imagens que faro parte da fase treinamento crucial. Isso se torna ainda mais crtico quando apenas um nmero limitado de imagens por usurio est disponvel; Quando a fase de treinamento realizada de forma a representar a variabilidade intraclasse de cada usurio, essa tcnica de fuso pode obter uma melhoria significativa na acurcia. o Fuso no Nvel de Pontuao A tcnica de normalizao um ponto importante a ser considerado; A tcnica de normalizao Estimadores Tanh mais indicada quando comparada s tcnicas Min-Max e Funo Sigmide Dupla, pois alm de analisar o comportamento das distribuies dos casamentos genunos e impostores, ela capaz de fazer com os mtodos sejam menos sensveis a pontuaes muito distantes da pontuao mdia; As tcnicas de fuso Produto e Soma com Pesos so as mais indicadas para as fuses no nvel de pontuao. As tcnicas Soma, Pontuao Mxima e Pontuao Mnima no apresentaram ganhos to significativos e em algumas fuses apresentaram queda na acurcia. Pode-se observar, no entanto, que a fuso dos dois mtodos baseados em mincias propiciou para a base de dados utilizada (DB1A-FVC2002) uma melhoria mais representativa na acurcia em relao s fuses que utilizaram o mtodo baseado em cristas. Acreditamos que para uma base de dados obtida com pequenos sensores, cada vez mais comuns principalmente nos dispositivos mveis, a quantidade reduzida de mincias pode comprometer o desempenho de mtodos baseados apenas em pontos de mincias e favorecer o desempenho do mtodo baseado em cristas. Dessa forma, os mtodos baseados em cristas poderiam contribuir mais fortemente para a reduo das taxas de erro. Ao analisar as taxas de melhoria na acurcia mais significativas obtidas para a base de dados DB1A-FVC2002 (75% de melhoria obtida pela fuso em nvel de classificao, 0,5%

129

de melhoria obtida pela fuso em nvel de deciso fazendo que a taxa de identificao alcanasse o patamar de 99,75%, 42,53% de melhoria obtida pela fuso em nvel de pontuao utilizando o software NBIS e 31,78% para a fuso em nvel de pontuao do mtodo baseado em mincias proposto por Jain et al. com o mtodo baseado em crista proposto por Marana e Jain), pode-se concluir que esse aumento na acurcia dificilmente seria possvel de se obter utilizando uma nica forma de representao, um nico algoritmo de extrao de caractersticas e um nico algoritmo de casamento. Esses resultados evidenciam que a fuso dos mtodos baseados em cristas e em mincias utilizados capaz de explorar os diferentes pontos fortes e contornar as diferentes limitaes que cada um deles e apresentar um ganho significativo na acurcia.

130

9. Trabalhos Futuros

A implementao e a realizao de experimentos com mais uma tcnica de fuso no nvel de deciso pode contribuir para corroborar os resultados obtidos pela tcnica Deciso Bayesiana. Nesse sentido, um dos trabalhos sendo desenvolvidos a implementao da tcnica de fuso baseada em PSO (Particle Swarm Optimizer), proposto por Kennedy e Eberhart em 1995 [27]. A avaliao das tcnicas de fuso em um banco de dados com imagens obtidas por meio de sensores com uma pequena rea de leitura tambm pode ser um importante teste para corroborar os resultados de que a fuso dos mtodos baseados em cristas e em mincias pode representar uma melhoria significativa na acurcia. Alm disso, a incluso de uma etapa de pr-processamento que seja capaz de identificar as caractersticas da imagem e, com base nisso, optar por uma metodologia de fuso um trabalho futuro que pode contribuir para a criao de um sistema automtico de reconhecimento de impresses digitais utilizando a fuso de mtodos baseados em cristas e em mincias. Essa fase de pr-processamento poderia analisar a qualidade da impresso digital, o tamanho da impresso digital em relao rea de leitura do sensor (deslocamento) e tambm a inclinao da impresso digital em relao rea de leitura do sensor (rotao), sendo capaz de decidir a partir do conhecimento dessas informaes quais mtodos sero combinados. Dessa forma, se, por exemplo, a imagem apresentar baixa qualidade e alto deslocamento, o mtodo baseado em cristas pode ser utilizado, caso contrrio, apenas os mtodos baseados em mincias o seriam.

131

REFERNCIAS BIBLIOGRFICAS

[1]

BUBECH, U.; SANCHEZ, D. Biometric Authentication. Universidade Estadual de San Diego, 2003. Disponvel em: <http://www.ubnet.de/informatik/pub/biosurvey/biosurvey.pdf>. Acesso em: 27 de abril de 2008. CAPPELLI, R.; MAIO, D.; MALTONI, D. Combining Fingerprint classifiers. Proceedings of First International Workshop on Multiple Classifier Systems, p. 351361, 2000. CYGWIN. Disponvel em: http://www.cygwin.com/. Acesso em: 26 de maio de 2008. CUNHA R. Com a biometria, a senha somos ns. Cincia e Cultura, v. 60, n. 1, So Paulo, 2008. Disponvel em: <http://cienciaecultura.bvs.br/scielo.php?pid=S000967252008000100003&script=sci_arttext&tlng=pt>. Acesso em: 27 de abril de 2008. DANNENBERG, R. B.; BIRMINGHAM, W. P.; TZANETAKIS, G.; MEEK, C.; HU, N.; PARDO, B. The MUSART Testbed for Query-By-Humming Evaluation. Universidade Johns Hopkins, 2003. Disponvel em <http://ismir2003.ismir.net/papers/Dannenberg.PDF>. Acesso em: 18 de Janeiro de 2008. DOMINGOS, P.; PAZZANI, M. On the Optimality of the Simple Bayesian Classifier under Zero-One Loss. Kluwer Academic Publishers, p. 103-130, Holanda, 1997. EUROPEAN COMMISSION. Biometrics - fingerprint, face and iris recognition the most reliable. Disponvel em: <http://ec.europa.eu/justice_home/news/information_dossiers/news_eurodac_biometri cs_en.htm>. Acesso em: 19 de abril de 2008. FBI - FEDERAL BUREAU OF INVESTIGATION. The FBI Fingerprint Identification Automation Program: Issues and Options. U.S. Government Publication, Washington, DC, Novembro, 1991. FBI - FEDERAL BUREAU OF INVESTIGATION. The Science of Fingerprints: Classification and Uses. U.S. Government Publication, Washington, DC, 2006. Disponvel em: <http://www.gutenberg.org/files/19022/19022-h/19022-h.htm>. Acesso em: 18 de maio de 2008.

[2]

[3] [4]

[5]

[6]

[7]

[8]

[9]

[10] FELITTI, G. Bradesco e Unimed Paulistana investem em biometria. IDG Now, pgina 2, agosto de 2006. Disponvel em:

132

<http://idgnow.uol.com.br/seguranca/2006/08/30/idgnoticia.2006-0829.4061415323/paginador/pagina_2>. Acesso em: 27 de abril de 2008. [11] FOLHA ON-LINE. Eleitores sero identificados pelas impresses digitais em 2008. Outubro de 2007. Disponvel em <http://www1.folha.uol.com.br/folha/informatica/ult124u338365.shtml>. Acesso em: 27 de abril de 2008. [12] FVC 2002 FINGERPRINT VERIFICATION COMPETITION. Disponvel em: <http://bias.csr.unibo.it/fvc2002/databases.asp>. Acesso em: 18 de Janeiro de 2008. [13] GARCIA, L. A biometria, tecnologia que identifica os indivduos por meio de suas caractersticas pessoais, j movimenta US$ 2,1 bilhes no mundo. Correio Braziliense, Distrito Federal, Agosto de 2006. Disponvel em <http://www.serpro.gov.br/noticias-antigas/noticias-2006/20060801_04>. Acesso em: 27 de abril de 2008. [14] HAMPEL. F.R.; ROUSSEEUW, P.J.; RONCHETTI, E.M.; STAHEL, W.A. Robust Statistics: The Approach Based on Influence Functions. Wiley, Nova York, 1986, 536 p. [15] HARRIS, T. Princpios bsicos da impresso digital. Disponvel em: <http://informatica.hsw.uol.com.br/leitores-de-impressoes-digitais1.htm>. Acesso em: 27 de abril de 2008. [16] HO, T. K.; HULL, J. J.; SRIHARI, S. N. Decision Combination in Multiple Classifier Systems. IEEE Transactions on pattern analysis and machine intelligence. v. 16, n. 1, p.66-75, 1994. [17] HONG, L.; JAIN, A. K. Classification of fingerprint images. Departamento de Computao, Universidade Estadual de Michigan, 1999. Disponvel em: <http://citeseer.ist.psu.edu/cache/papers/cs/32478/http:zSzzSzwww.cse.msu.eduzSzpu blicationszSztechzSzTRzSzMSU-CPS-98-18.pdf/hong99classification.pdf>. Acesso em: 18 de maio de 2008. [18] HONG, L.; JAIN, A.; PANKANTI, S. Can Multibiometrics Improve Performance? Proceedings AutoID'99, Summit, NJ, pp. 59-64, Outubro de 1999. [19] INFO CORPORATE. Dermalog mostra nova forma de identificao biomtrica na Cebit. Disponvel em: <http://info.abril.com.br/corporate/noticias/conteudo_123061.shtml>. Acesso em: 27 de Abril de 2008. [20] JAIN, A. K.; PRABHAKAR, S.; CHEN S. Combining multiple matchers for a high security fingerprint verification system. Pattern Recognition Letters, v. 20, n. 11-13, p. 1371-1379, Novembro de 1999.

133

[21] JAIN, A. K.; ROSS, A.; PRABHAKAR, S. An Introduction to Biometric Recognition. IEEE Transactions on Circuits and Systems for Video Technology Special Issue on Image and Video-Based Biometrics. v. 14, n. 1, p. 4-20, Janeiro de 2004. [22] JAIN, A. K.; ROSS, A.; PRABHAKAR, S. Fingerprint Matching Using Minutiae and Texture Features. Proc. Int. Conference on Image Processing (ICIP), Thessaloniki, Grcia, p. 282-285, Outubro de 2001. [23] JAIN, A. Whos Who? Challenges and Opportunities in Biometric Authentication. Disponvel em <http://www.nlpr.ia.ac.cn/english/irds/chinese/SinobiometricsPDF/Jain.pdf>. Acesso em: 27 de abril de 2008. [24] JAIN, A.; PANKANTI, S.; PRABHAKAR, S.; HONG, L.; ROSS, A.; WAYMAN, J. Biometrics: A Grand Challenge. Disponvel em: <http://biometrics.cse.msu.edu/Presentations/Jainetal_BiometricsGrandChallenge_ICP R04.pdf>. Acesso em: 27 de abril de 2008. [25] JAIN, A.K.; HONG, L.; PANKANTI, S; BOLLE, R. An Identity-Authentication System Using Fingerprints. Proceedings of IEEE, v. 85, n. 9, p. 1365-1388, 1997. [26] JARDINI, E.; GONZAGA A.; TRAINA, C. Metodologia para Indexao e Busca de Impresses Digitais atravs do uso de Funo de Distncia Mtrica. Disponvel em: < http://iris.sel.eesc.usp.br/lavi/pdf/wvc2006_0020.pdf>. Acesso em: 11 de maio de 2008. [27] KENNEDY J.; EBERHART, R. Particle Swarm Optimization. IEEE International Conference on Neural Networks, Perth, Australia, 1995. [28] KRIVEC, V.; BIRCHHAUER, J. A.; WOLFGANG, M.; BISCHOF, H. A Hybrid Fingerprint Matcher in Memory Constrained Environments. Proc. of the 3rd International Symposium on Image and Signal Processing and Analysis, v. 2, p. 617620, Setembro de 2003. [29] KUNCHEVA, L.; WHITAKER, C. Measures of Diversity in Classifier Ensembles and Their Relationship with the Essemble Accuracy. Machine Learning, v. 51, p. 181-207, 2003. [30] KUNCHEVA, L.I.; WHITAKER, C.J.; SHIPP, C.A.; DUIN, R.P.W. Is Independence Good For Combining Classifiers? 18th International Conference on Pattern Recognition, v.2, p. 168-171, 2000. [31] LEE, H. C.; GAENSSLEN, R. E. Advances in Fingerprint Technology. Elsevier, New York, ed. 2, 2001, 456 p.

134

[32] MAIO, D.; MALTONI, D.; CAPPELLI, R; WAYMAN, J.L.; JAIN, A.K. FVC2002: Second Fingerprint Verification Competition., Proceedings of 16th International Conference on Pattern Recognition, v. 3, p. 811-814, 2002. [33] MALTONI, D.; MAIO, D.; JAIN, A. K.; PRABHAKAR, S. Handbook of Fingerprint Recognition. Usa, Springer, 2003. [34] MARANA, A. N.; JAIN, A. K. Ridge-Based Fingerprint Matching Using Hough Transform. IEEE Proceedings of the Sibgrapi, Natal, Brasil, p. 112-119, 2005. [35] MARCIALIS, G.L.; ROLI, F. Fusion of multiple fingerprint matchers by singlelayer perceptron with class-separation loss function. Published by Elsevier Science, p. 18301839, 2005. [36] MATLAB DESCRIO DO PRODUTO. Disponvel em <http://www.mathworks.com/products/matlab/?BB=1>. Acesso em: 03 de maio de 2008. [37] MOENSSENS, A. Fingerprint Techniques. Chilton Book Co, London, 1971. [38] NANDAKUMAR, K. Multibiometric Systems: Fusion Strategies and Template Security. 2008, 249 p., Dissertao (Doutor em Filosofia), Universidade Estadual de Michigan, Departamento de Cincia da Computao e Engenharia. [39] NANDAKUMAR, K.; CHEN, Y.; DASS, S. C.; JAIN, A.K.; Likelihood Ratio Based Biometric Score Fusion. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 30, p. 342-347, 2008. [40] NANNI, L.; LUMINI, A. A hybrid wavelet-based fingerprint matcher. Elsevier Ltd, Nova York, USA, v. 40, n. 11, p. 3146-3151, 2007. [41] NBIS - NIST BIOMETRIC IMAGE SOFTWARE. Disponvel em: <http://www.itl.nist.gov/iad/894.03/nigos/nbis.html>. Acesso em: 27 de abril de 2008. [42] PASQUALI, L.; ARAJO, M. E. C. Histrico dos processos de identificao. Disponvel em: <http://papiloscopistas.org/historico.doc>. Acesso em: 04 de Fevereiro de 2007. [43] PRABHAKARA, S.; JAIN, A. K. Decision-level fusion in fingerprint verification. Pattern Recognition, v. 35, n. 4, p. 861874, 2002. [44] REVISTA PESQUISA FAPESP. Sistema desenvolvido pela empresa Griaule est entre os melhores do mundo. n. 130, Dezembro de 2006. Disponvel em: <http://www.griaulebiometrics.com/page/pt-br/press_room?page=2>. Acesso em: 27 de abril de 2008. [45] ROSS, A. Match Score Level Fusion, Score normalization, User-specific parameters. Disponvel em: <http://www.biometrics.org/bc2004/Presentations/Conference/3%20Wednesday%20S

135

eptember%2022/Wed_Ballroom%20B/1%20Multi%20biometrics%20and%20Fusion/ MultibioPanel_BC2004_Ross.pdf>. Acesso em: 18 de Janeiro de 2008. [46] ROSS, A.; JAIN, A.K.; REISMAN, J. A Hybrid Fingerprint Matcher. Proc. of International Conference on Pattern Recognition (ICPR), Quebec City, Canada, v. 36, n. 7, p. 1661-1673, Agosto, 2002. [47] ROSS, A.; NANDAKUMAR, K.; JAIN, A.K. Handbook of Multibiometrics. USA, Springer, 2006. [48] SPOSITO, R. A biometria d um gs na segurana das empresas de qualquer tamanho. Info SMB, 2006. Disponvel em: <http://info.abril.com.br/infosmb/edicoes/001/18-3.shl>. Acesso em: 27 de abril de 2008. [49] STOSZ, J. D. e ALYEA, L. A. Automated system for fingerprint authentication using pores and ridge structure. Proc. SPIE, v. 2277, p. 210-223, San Diego, USA, 1995. [50] TON, J.; JAIN, A. Registering Landsat Images by Point Matching. IEEE Transactions Geoscience Remote Sensing, v.27, n.5, p.649-651, Setembro de 1989. [51] UBUNTU DESCRIO DO PRODUTO. <http://www.ubuntu.com/>. Acesso em: 03 de maio de 2008 Disponvel em:

[52] VERIDIS TECNOLOGIA. Projeto FINEP em parceria com a UNICAMP, CenPRA e SEBRAE. Campinas, Janeiro de 2008. Disponvel em: <http://www.veridistec.com.br/clipping080122>. Acesso em: 27 de abril de 2008. [53] VISUAL STUDIO DESCRIO DO PRODUTO. Disponvel em: <http://msdn.microsoft.com/en-us/library/ms950416.aspx> Acesso em: 04 de maio de 2008. [54] WAN, D.; ZHOU, J. Fingerprint Recognition Using Model-Based Density Map. IEEE
Transactions on Image Processing. v. 15, n. 6, p. 1690-1696, junho de 2006.

[55] WANG, Y.; TAN, T.; JAIN, A. K. Combining Face and Iris Biometrics for Identity Verification. Proc. AVBPA, 2003. [56] WATSON, C.; GARRIS, M.; TABASSI, E.; WILSON, C. L.; MCCABE, R. M.; JANET, S.; KO, K. Users guide to NIST Biometric Image Software (NBIS). National Institute of Standards and Technology, Outubro de 2004. [57] WEGSTEIN, J. H. An Automated Fingerprint Identification System. U.S. Government Publication, Washington, DC: U.S. Dept. of Commerce, National Bureau of Standards, 1982.

136

[58] WINDOWS XP DESCRIO DO PRODUTO. Disponvel em: <http://www.microsoft.com/windows/products/windowsxp/default.mspx>. Acesso em: 04 de maio de 2008. [59] XU, L.; KRZYZAK, A.; SUEN, C. Y. Methods of Combining Multiple Classifiers and Their Applications to Handwriting Recognition. IEEE Transactions on Systems, Man, and Cybernetics, v. 22, n. 3, p. 418-435, 1992.

137

APNDICE A - Trabalhos Correlatos Desenvolvidos e Publicados

Durante a realizao dessa dissertao de mestrado, foram desenvolvidos e publicados os seguintes trabalhos relacionados Biometria: 1. Falguera, F. S. P; Falguera, J. R.; Marana, A. N.: Fusion of Fingerprint Recognition Methods for Robust Human Identification. In: 11th IEEE International Conference on Computational Science and Engineering, 2008, So Paulo. 2. Falguera, F. P. S.; Marana, A. N.: Reconhecimento Automtico de Impresses Digitais, captulo de livro publicado no compndio dos minicursos apresentados no evento Escola Regional de Informtica SP/Oeste 2007, pgs. 77 a 102. 3. Falguera, F. P. S; Falguera, J. R.; Marana, A. N.; Jain, A. K.: Biometrics for Human Identification, Revista de Informtica Terica e Aplicada, Volume 13, nmero 2, 2006, pgs. 113 a 129. 4. Falguera, F. P. S.; Falguera, J. R.; Marana, A. N.; Jain, A. K.: Biometrics for Human Identification, tutorial apresentado no SIBGRAPI 2006, realizado em Manaus, AM, Brasil. 5. Falguera, F. P. S.; Falguera, J. R.; Marana, A. N.: Introduo ao Reconhecimento Biomtrico, captulo de livro publicado no compndio dos minicursos apresentados no evento Escola Regional de Informtica SP/Oeste 2006, pgs. 53 a 81. 6. Falguera, J. R.; Marana, A. N.; Falguera, F. P. S.: Frontal Sinus Recognition Using Image Foresting Transform and Shape Context. Brazilian Symposium on Computer Graphics and Image Processing, Outubro de 2007. Prmio de melhor poster. 7. Marana, A. N.; Falguera, J. R.; Falguera, F. P. S.: Frontal sinus recognition for human identification. In: SPIE Biometric Technology for Human Identification V, 2008, Orlando. MI. Proceedings of SPIE, 2008.

138

8. Falguera, J. R.; Marana, A. N.; Falguera, F. P. S.: Reconhecimento de Sinus Frontais Utilizando a Transformada Imagem-Floresta Diferencial e o Contexto da Forma. Workshop de Viso Computacional (WVC), 2007, So Jos do Rio Preto, Agosto de 2007.

Autorizo a reproduo xerogrfica para fins de pesquisa.

Bauru, 25/07/2008

_________________________________ Assinatura