Dissertacao Silvia

SILVIA MARIA FARANI COSTA
CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO

DE IMPRESSES DIGITAIS DE IMPRESSES DIGITAIS DE IMPRESSES DIGITAIS DE IMPRESSES DIGITAIS

So Paulo
2001
Dissertao apresentada Escola
Politcnica da Universidade de So Paulo
para obteno do ttulo de Mestre em
Engenharia Eltrica.

SILVIA MARIA FARANI COSTA

CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO
DE IMPRESSES DIGITAIS DE IMPRESSES DIGITAIS DE IMPRESSES DIGITAIS DE IMPRESSES DIGITAIS

So Paulo
2001
Dissertao apresentada Escola Politcnica da
Universidade de So Paulo para a obteno do
ttulo de Mestre em Engenharia Eltrica.

rea de Concentrao: Microeletrnica

Orientador:
Francisco Javier Ramirez -Fernandez

Costa, Silvia Maria Farani
Classificao e Verificao de Impresses Digitais. So Paulo, 2001.
99p.

Dissertao (Mestrado) Escola Politcnica da Universidade de So Paulo. Departamento de
Sistemas Eletrnicos.
1. Tecnologia Biomtrica 2. Estudo da dactiloscopia 3. Classificao 4. Verificao. I.
Universidade de So Paulo. Escola Politcnica. Departamento de Sistemas Eletrnicos.

Aos meus pais, Maria Lucia e Jos,
que sempre confiaram em mim e
me apoiaram. Vocs so o grande
tesouro da minha vida.

AGRADECIMENTOS
A Deus, por permitir meu renascimento e por ter me libertado das guas
do rio Maca, podendo estar hoje finalizando mais uma etapa da minha vida.

Ao amigo e orientador Prof. Francisco Javier Ramirez Fernandez, pelo
estmulo, apoio, pelos conselhos, pela mo amiga, pelos cafezinhos que
geravam inmeras dvidas, mas s vezes tambm as esclareciam e
principalmente pela confiana que depositou em mim durante este perodo.
Tenho convico de que fui uma aluna de sorte por ter encontrado em meu
caminho uma pessoa que acima de tudo mostrou que nada impossvel
quando existe vontade e dedicao. Voc insubstituvel.

Aos meus pais pela compreenso e apoio, por suportarem a distncia e
estarem presentes em mais uma etapa da minha vida. Vocs so os cmplices
de todas as dificuldades que encontramos neste perodo e so tambm
vencedores e merecedores de todo meu respeito.

Aos meus colegas do grupo SIM (Sensores Integrveis e Microssistemas)
que de alguma forma colaboraram no desenvolvimento deste trabalho,
trocando idias e opinies e na reviso do mesmo; todos de alguma forma
me ajudaram a gerar este material. Bete, ao Mauricio e Nathalia que
muito tempo dispensaram para reviso deste texto. Mesmo que eu monte
uma fbrica de brigadeiros, no terei condies de retribuir. Em especial,
amiga Adriana pela companhia nos almoos, o sagrado cafezinho da tarde,
algumas viagens e por todos os momentos de apoio.

Aos amigos Joo Marcelo de Oliveira e Luciano Marques Arantes, que
mesmo aos fins de semana e feriados, sempre estiveram disponveis para

ajudar-me na resoluo dos problemas. Muito mais que os problemas que
ficaram para trs, agradeo a dedicao e amizade verdadeira.

Ao amigo Gilberto da Cruz, por todos os ensinamentos e material sobre
dactiloscopia, todo o meu respeito e agradecimento.

Ao amigo Marcos Alberto Lopes, ps-graduado pelo Cefet-Pr, pelo
auxlio as incessantes dvidas e trocas de e-mails.

Tenho certeza que agradeci apenas uma pequena frao das pessoas a
quem devo muito e peo especial perdo quelas que omiti.

SUMRIO

Lista de Figuras
Lista de Tabelas
RESUMO
ABSTRACT

I NTRODUO
1. TECNOLOGI A BI OMTRI CA
1.1 Sistemas automticos de identificao de impresses digitais (AFI S Automated
Fingerprint I dentification System)
1.2 Mtodos de classificao
1.3 Mtodos de verificao
1.3.1 Verificao x Identificao
1.4 Consideraes Finais

2. ESTUDO DA DACTI LOSCOPI A
2.1 Histria da dactiloscopia
2.2 Princpios da dactiloscopia
2.3 Aplicaes da tecnologia biomtrica
2.4 Definies
2.4.1 Pontos singulares (ncleos e deltas)
2.4.2 Sistema de Henry
2.4.3 Pontos caractersticos ou mincias (Detalhes de Galton)
2.5. Consideraes Finais

3. PR-PROCESSAMENTO DE I MAGENS
3.1 Processamento pontual e processamento de rea
3.2 Filtro de contraste
3.3 Operaes morfolgicas
3.3.1 Binarizao ou limiar (Threshold)
3.3.2 Afinamento (Thinning)
3.3.3 Filtro para limpeza do esqueleto

4. CLASSI FI CAO E VERI FI CAO DE I MPRESSES DI GI TAI S
4.1 Etapas da Classificao
4.1.1 Clculo da imagem direcional
4.1.2 Suavizao do mapa direcional
4.1.3 Classificao atravs do ndice de Poincar

4.2 Etapas da Verificao
4.2.1 Extrao de aspectos
4.2.2 Comparao de mincias (Matching)
4.2.3 FAR (False Acceptance Rate) x FRR (False Reject Rate)

5. METODOLOGI A E DI SCUSSO DOS RESULTADOS
5.1. Etapas da Classificao
5.1.1 Aplicao da imagem direcional
5.1.2 Aplicao da suavizao do mapa direcional
5.1.3 Aplicao do ndice de Poincar
5.1.4 Apresentao e comentrios sobre o programa de classificao
5.1.5 Anlise dos bancos de dados propostos
5.1.6 Anlise de desempenho do algoritmo de classificao
5.2. Etapas da Verificao
5.2.1 Aplicao da binarizao ou limiar (Threshold)
5.2.2 Aplicao do afinamento (Thinning)
5.2.3 Aplicao do filtro para limpeza do esqueleto
5.2.4 Extrao de mincias
5.2.5 Comparao de mincias
5.2.6 Apresentao e comentrios sobre o programa de verificao
5.2.7 Anlise de desempenho do algoritmo de verificao

6. CONCLUSES E PERSPECTI VAS FUTURAS
REFERNCI AS BI BLI OGRFI CAS
REFERNCI AS: URLS
GLOSSRI O
APNDI CE A
APNDI CE B

Lista de Figuras
Figura 1: Anlise manual.
Figura 2: Evoluo dos mtodos de verificao pessoal.
Figura 3: Tecnologias biomtricas - impresso digital, face, ris, voz, geometria da mo, formato da
unha.
Figura 4: Impresso tintada em papel e impresso adquirida em um leitor TouchSafeII da Identix.
Figura 5: Exemplo de leitores biomtricos.
Figura 6: Exemplo de um leitor biomtrico (prisma).
Figura 7: Imagem rolada e imagem plana.
Figura 8: Amostras DB1, DB2, DB3 - diferenas de tamanho e resoluo.
Figura 9: impresso digital latente coletada em local de crime.
Figura 10: Anlise do especialista.
Figura 11: Estgios de um AFIS.
Figura 12: Comparao de mincias (cristas finais e cristas bifurcadas).
Figura 13: Sistema de Verificao Face.
Figura 14: Sistema de Identificao Face.
Figura 15: Evoluo cronolgica dos processos de identificao.
Figura 16: Aplicao biomtrica em diversos segmentos de mercado.
Figura 17: rea padro e tipos de linhas.
Figura 18: Ponto delta e ponto ncleo de uma impresso digital.
Figura 19: Sistemas de Linhas.
Figura 20: As cinco classes propostas por Henry, deltas e ncleos destacados em vermelho.
Figura 21: Pontos caractersticos ou mincias - cristas finais e cristas bifurcadas.
Figura 22: Aspectos de impresses digitais - Detalhes de Galton.
Figura 23: a) imagem original; b) imagem aps aplicao de contraste; c) imagem negativa.
Figura 24: Histograma da imagem original citada na Figura 23.
Figura 25: mscara 3x3 destacando em vermelho pixels pertencentes vizinhana 4 e em azul pixels
pertencentes vizinhana 8.
Figura 26: a) imagem original; b) imagem aps suavizao; c) imagem aps sharpening.
Figura 27: Filtro de Contraste - (A) Imagem Original, (B) grade 5X5, (C) grade 10X10, (D) grade
20X20.
Figura 28: (a) Imagem Original, (b) Imagem aps threshold com grade 10.
Figura 29: (a) Imagem Original, (b) Imagem aps thinning aplicado cinco vezes.
Figura 30: Famlia de Elementos Estruturantes.
Figura 31: mscara para limpeza do esqueleto.

Figura 32: (a) Imagem Original; (b) Imagem filtrada aps thinning ; (c) Imagem aps aplicao do
filtro para limpeza do esqueleto.
Figura 33: Componentes das mincias.
Figura 34: Mscara 9X9 usada para calcular a somatria das linhas.
Figura 35: Definio das 8 possveis direes.
Figura 36: (a) Imagem Original, (b) Imagem Direcional.
Figura 37: Suavizao utilizando seno-cosseno.
Figura 38: Matriz 1 , original com as matrizes direcionais, subdivida em quatro sub-matrizes de 3x3;
matriz 2, aps aplicao do mtodo Moda, indicando a suavizao obtida para cada sub-matriz.
Figura 39: Suavizao utilizando a Moda.
Figura 40: Clculo do ndice de Poincar aps suavizao do mapa direcional.
Figura 41: Diagrama de Blocos do Algoritmo de Classificao.
Figura 42: Diferena de ngulos entre a classe Arco Angular e Presilha Esquerda, respectivamente.
Figura 43: (a) Presilha Direita; (b) Presilha Esquerda.
Figura 44: Algoritmo de extrao de mincias.
Figura 45: (a) Imagem Original, (b) Extrao de mincias correspondentes s cristas finais e s
cristas bifurcadas.
Figura 46: taxas FAR e FRR estabelecidas por um valor de Threshold.
Figura 47: FAR, FRR e taxa de cruzamento.
Figura 48: Suavizao do mapa direcional usando seno e cosseno.
Figura 49: Suavizao do mapa direcional usando a moda.
Figura 50: Mapa Direcional - (a) Moda, (b) seno-cosseno.
Figura 51: fluxograma das etapas implementadas para a classificao.
Figura 52: Interface grfica - abrir imagem bitmap e filtro de contraste.
Figura 53: Interface grfica - (a) mapa direcional por seno-cosseno, (b) mapa direcional por moda.
Figura 54: Interface final aps classificao.
Figura 55: Relatrio gerado pelo programa aps classificao.
Figura 56: DSPAMI - porcentagem de imagens classificadas automaticamente para Moda e Seno-
Cosseno.
Figura 57: NISTDB - porcentagem de imagens classificadas automaticamente para Moda e Seno-
Cosseno.
Figura 58: FINGDB - porcentagem de imagens classificadas automaticamente para Moda e Seno-
Cosseno.
Figura 59: mscaras rotacionadas utilizadas para limpeza do esqueleto.
Figura 60: fluxograma das etapas implementadas para a verificao.
Figura 61: Interface grfica aps aplicao de threshold.
Figura 62: Interface grfica aps afinamento e aplicao do filtro para limpeza do esqueleto.

Figura 63: Interface grfica final exibindo a porcentagem de pontos comparados.

Lista de Tabelas

TABELA 1: COMPARAO ENTRE VRIOS TIPOS DE SENSORES.
TABELA 2: DISTRIBUIO DAS MINCIAS.
TABELA 3: PIXEL CENTRAL E SEUS VIZINHOS.
TABELA 4: MSCARA PARA O CLCULO DO CROSSING NUMBER.
TABELA 5: PROPRIEDADES DO PIXEL (CN).
TABELA 6: RESULTADOS DA CLASSIFICAO DSPAMI.
TABELA 7: RESULTADOS DA CLASSIFICAO NISTDB.
TABELA 8: RESULTADOS DA CLASSIFICAO FINGDB.
TABELA 9: DESEMPENHO DO ALGORITMO DE CLASSIFICAO.
TABELA 10: DESEMPENHO DO ALGORITMO DE VERIFICAO.

RESUMO
A luta contra o erro tem algo de homrico.
Durante a reviso os erros se escondem,
fazem-se positivamente invisveis. Mas
assim que o livro sai, tornam-se
visibilssimos, verdadeiros sacis a nos botar
a lngua em todas as pginas. Trata-se de
um mistrio que a cincia ainda no
conseguiu decifrar...
Monteiro Lobato

O foco deste trabalho a implementao de algoritmos para caracterizao de imagens de
impresses digitais, envolvendo tcnicas gerais do processamento de imagens, tais como limiar,
filtragem, operaes morfolgicas entre outras, para a deteco de formas lineares caractersticas de
um desenho digital. Especial destaque outorgado ao clculo da imagem direcional, aos algoritmos
para otimizao, filtragem e s operaes morfolgicas, que so usados nas etapas de classificao e
verificao.
Em uma primeira abordagem analisou-se a impresso tintada em papel
(mtodo ink and paper) e adicionalmente foram utilizados bancos de dados
disponibilizados na internet, tais como o NIST Special Database4 (National
Institute of Standards and Technology), um banco de dados fornecido pelo FBI
(Federal Bureau Investigation); o Fingdb e o DsPamidb fornecidos pelo Biometric
Systems Lab, Universidade Bologna. A proposta global contribuir ao
gerenciamento dos bancos de dados supracitados permitindo otimizar a velocidade
de processamento na fase final de comparao atravs de uma pr-classificao,
associando a impresso digital a uma das categorias pr-especificadas de acordo com
a topologia geomtrica. Na fase de verificao, pretende-se comparar duas
impresses digitais. Faz-se o confronto entre uma impresso digital cadastrada em
um banco de dados e uma impresso digital candidata, verificando se os pontos
caractersticos so correspondentes em tipo e posio. Desta forma, possvel fazer o
reconhecimento de uma pessoa.
! Palavras Chave:
Reconhecimento de Padres, Tecnologia Biomtrica, Imagem Direcional,
Classificao de Impresses Digitais, Otimizao de Imagens.

ABSTRACT
The focus of this work is for the implementation of algorithms, fingerprint image
characterization, which involves general techniques of image processing, such as threshold, spatial
filtering, morphologic operations among others, for the detection in ways lineal characteristics of a
digital drawing. Special prominence was granted to the computing for the directional image,
algorithms for optimization, filtering and morphologic operations, that was used in the subsequent
stages of classification and verification.
In a first approach the ink impression image on paper were analyzed (method ink and paper)
and additional databases available on the internet were used, such as NIST Special Database4
(National Institute of Standard and Technology), a database supplied by FBI (Federal Bureau
Investigation); Fingdb and DsPamidb supplied by Biometric Systems Lab, Bologna University.
The global proposal is to contribute with administration of foregoing databases allowing to
optimize the processing speed in the final phase of comparison through a pre-classification,
associating the fingerprint to one of the categories pre-specified in agreement with the geometric
topology.
The verification phase intends to compare and verify two different fingerprints, which allows
a person to be recognized if the images are of the same type.

! Keywords:
Pattern Recognition, Biometric Technology, Directional Image, Fingerprint
Classification, Image Optimization.

INTRODUO
O reconhecimento de impresses digitais, abordado em biometria, tem se
destacado no contexto do reconhecimento de padres tendo como foco o
desenvolvimento de sistemas automticos que visam facilitar o reconhecimento de
indivduos utilizando suas caractersticas fsicas como meio de autenticao.
Com a evoluo da tecnologia na era da informao, a sociedade vem se
tornando um sistema eletronicamente conectado. Da a necessidade de desenvolver
sistemas que facilitem a vida das pessoas no cotidiano. Percebe-se nitidamente que as
mquinas ocupam espao considervel no mundo atual, substituindo o trabalho do
ser humano. A implantao de uma tecnologia que contemple o uso da informtica
ao uso de bases de dados de impresses digitais e de seus dados cadastrais, tornar
possvel uma maior resposta sociedade, como por exemplo, na elucidao de
crimes. O mtodo de identificao dactiloscpico extremamente eficiente, seguro,
de baixo custo, de aplicao potencialmente massificada e tem apresentado avanos
principalmente com a incorporao dos recursos de informtica. Porm, a
comparao de impresses digitais no est restrita rea criminal, exercendo papel
fundamental no reconhecimento de pessoas. Atualmente a verificao de impresses
digitais pode ser empregada em sistemas de segurana, transaes financeiras,
controle de acesso a locais restritos, controle de freqncia de funcionrios, acesso
em redes corporativas, validao de documentos, autenticao de portadores de
cartes e comprovao de identidade, entre muitas outras aplicaes. Desta forma,
nota-se que a verificao de impresses digitais no est somente associada
identificao jurdica de um indivduo. Atualmente as tecnologias biomtricas tm
sido usadas em diversas aplicaes facilitando o cotidiano das pessoas e aumentando
a cada dia a demanda dos sistemas computacionais.
O principal enfoque do estudo das tecnologias biomtricas, no contexto geral,
est voltado para o desenvolvimento de sistemas que permitam o reconhecimento e
verificao de padres desse tipo em campo, sendo de extrema importncia o tempo
de processamento, segurana e viabilidade das tecnologias biomtricas.
A anlise manual da impresso digital uma tarefa tediosa (Figura 1), onde
os aspectos para comparao so extremamente pequenos necessitando auxlio de

lentes de aumento para obter um melhor exame da marca da impresso digital (Jain
et al., 1997b), (Eleccion, 1973).
Outro ponto a ser considerado o tamanho do banco de
dados, o que pode fazer a anlise e comparao manual
levar dias em alguns casos. Estes problemas podem ser
facilmente superados pela automao do processo de
verificao da impresso digital visando otimizar o
processamento.
Figura 1: Anlise manual.

Mtodos tradicionais de verificao pessoal normalmente fazem uso de uma
informao conhecida como uma senha (PIN Personal Identification Number) ou
utilizam outros recursos como, por exemplo, uma chave ou um carto (Hong et al.,
1998a), (Meyer, 1999), (Figura 2). O grande problema que estes recursos podem
ser esquecidos, furtados, perdidos, copiados, armazenados de maneira insegura ou
at utilizados por uma pessoa que no tenha autorizao. Desta forma, justificvel
que o novo campo de atraes seja a biometria. Dentre as definies do dicionrio
Michaelis (URL1), biometria a cincia da aplicao de mtodos de estatstica
quantitativa a fatos biolgicos ou anlise matemtica de dados biolgicos.
Simplificando, biometria o recurso que possibilita identificar pessoas por
intermdio de suas caractersticas fsicas, ou seja, caractersticas que definem sua
individualidade.

Figura 2: Evoluo dos mtodos de verificao pessoal.

A biometria pode ser expressa de duas formas:
Identificadores fisiolgicos: incluem impresses digitais, geometria de mo,
retina, caractersticas faciais, formato da unha.
Identificadores de procedimento: destaca-se a voz e a assinatura. Anlise do
reconhecimento de voz e assinatura geralmente so considerados menos
conclusivos porque eles esto sujeitos a limitaes devido a enfermidades ou
imitaes (Figura 3).

Figura 3: Tecnologias biomtricas - impresso digital, face, ris, voz, geometria da mo, formato
da unha.

Todas essas tcnicas biomtricas apresentam vantagens e desvantagens
dependendo do domnio de aplicao. O alto custo dos equipamentos de
identificao biomtrica o principal fator que vem inibindo o crescimento dessa
tecnologia nos ltimos anos.
Tcnicas baseadas em reconhecimento de impresses digitais so as mais
antigas e menos onerosas (Miller, 1994), (Eleccion, 1973). Estes fatores contribuem
para o desenvolvimento de um sistema de verificao baseado em impresses
digitais.
A proposta deste trabalho fazer uma reviso de tcnicas para otimizao e
pr-processamento de imagens associadas s impresses digitais, visando contribuir
ao desenvolvimento de algoritmos para classificao e verificao das mesmas.

Quanto aquisio das imagens de uma impresso digital so citados dois
procedimentos. Um deles, bem conhecido e muito usado pelas autoridades, a
impresso tintada em papel (mtodo ink and paper). O dedo deve ser rolado de um
lado ao outro, de maneira que o desenho digital no apresente borres ou manchas.
Porm, na prtica, estas imagens apresentam os problemas citados, causados por
excesso ou falta de tinta, o que vem afetar notavelmente a qualidade da imagem
(Chong et al., 1992), (Hong et al., 1996). Se a qualidade no corresponde a um
padro aceitvel, a verificao automtica da impresso digital torna-se uma tarefa
extremamente difcil (Coetze et al., 1993), (Eleccion, 1973). Por este motivo este
mtodo no o mais apropriado. possvel observar a diferena entre os mtodos de
aquisio, para a mesma imagem coletada em papel e utilizando um leitor biomtrico
(Figura 4).

Figura 4: Impresso tintada em papel e impresso adquirida em um leitor TouchSafeI I da
Identix.

O segundo mtodo proposto utiliza um sistema eletrnico de gerao de
dados, e por esta razo muito mais eficiente. O leitor biomtrico transforma os
aspectos fsicos extrados em um template, ou seja, em um conjunto de
caractersticas (Jain et al., 1997b), (Figura 5).

Figura 5: Exemplo de leitores biomtricos.

Os primeiros leitores biomtricos constituam-se em placas e prismas de
vidro, alimentando cmeras pticas e com sada de vdeo analgica (Figura 6).
Apesar de serem grandes, ou seja, tamanho 20x10 cm, estes leitores so usados at
hoje para aplicaes onde a qualidade da imagem crtica. A rea de captura da
imagem desses leitores maior, ou seja, permite a amostragem de dedo rolado
(Figura 7), o que vital para obter-se o mximo possvel de rea til na impresso
digital.

Figura 6: Exemplo de um leitor biomtrico (prisma).

Figura 7: Imagem rolada e imagem plana.

Prisma
Luz Uniforme
Cmera
Framegrabber
Imagem Digitalizada
Impresso
2-D refletida

Atualmente existem outros leitores desenvolvidos atravs do uso de cmeras
CCD
1
e microprismas, leitores capacitivos e outras tecnologias que apresentam
caractersticas comuns, como por exemplo, alta resoluo.
Abaixo, apresenta-se uma tabela comparativa de trs tipos de sensores
(TABELA 1) e respectivas amostragens (URL2) exibindo diferenas nos tamanhos e
resoluo das imagens geradas como mostrado na Figura 8
2
.

TABELA 1: COMPARAO ENTRE VRIOS TIPOS DE SENSORES.

Tipo de Sensor Tamanho da Imagem Resoluo
DB1 ptico de baixo custo 300x300 500 dpi
DB2 Capacitivo de baixo custo 256x364 500 dpi
DB3 ptico 448x478 500 dpi

Figura 8: Amostras DB1, DB2, DB3 - diferenas de tamanho e resoluo.

Devido aos problemas apresentados no mtodo ink and paper e a no
disponibilidade de um leitor biomtrico, foram utilizados alguns bancos de dados
disponibilizados na internet. O Nist Special Database 4 (URL3), (Watson et al.,
1992) um banco de dados fornecido pelo FBI (FBI, 1984) contendo amostras de
imagens de impresses digitais na escala cinza. Este banco de dados contm 50
imagens de impresses digitais, tamanho 256x256 pixels e esto distribudas em
cinco classes, sendo 13 imagens de presilha esquerda, 10 presilhas direita, 7

1
CCD: Charged Coupled Device (Dispositivo de Acoplamento de Carga), um chip sensvel luz
usado para captura de imagem.
2
A Figura 8 foi extrada do site http://bias.csr.unibo.it/fvc2000/databases.asp referenciado neste
trabalho como (URL2).

verticilos, 4 arcos angulares, 16 arcos planos. Dois outros bancos de dados
adquiridos via internet so fornecidos pelo Biometric Systems Lab (URL4). Trata-se
do Fingdb e o DsPami97. O Fingdb possui 168 imagens na escala cinza, sendo 8
amostras de cada pessoa (21 pessoas), tamanho 256x256 pixels, sendo 4 imagens de
presilha esquerda, 8 presilhas direita, 4 verticilos, 2 arcos angulares, 1 arco plano e 2
imagens indeterminadas. Por fim o DsPami97 contm 14 imagens em tons de cinza,
tamanho 256x256 pixels, sendo 4 imagens de presilhas esquerda, 2 presilhas direita,
3 verticilos, 2 arcos angulares e 3 arcos planos.
Algumas imagens destes bancos de dados sero selecionadas para os testes
iniciais do sistema proposto neste trabalho, enquanto a maioria delas sero utilizadas
para a validao dos resultados. Vale lembrar que no caso de bancos de dados j
disponveis, no so questionados os mtodos de aquisio das imagens. Ainda para
os testes, adquiriu-se um banco de dados de imagens de impresses digitais em uma
diviso do Instituto de Identificao. So 98 imagens em tons de cinza distribudas
nas cinco classes abordadas neste trabalho.
Em 1905, Edward Richard Henry publicou um livro na Inglaterra expondo
seu sistema de identificao dactiloscpica adotando cinco categorias para
classificao de impresses digitais (Henry, 1905), (Ratha et al., 1996). Esse sistema
apresenta uma estrutura que faz a distribuio das impresses digitais em classes de
acordo com sua configurao geomtrica. O sistema de Henry usado at hoje,
inclusive por rgos oficiais como o FBI (FBI, 1984), e neste trabalho ser adotado
com a principal proposta de facilitar o gerenciamento em bancos de dados, uma vez
que as impresses digitais somente sero comparadas na fase de verificao, se
pertencerem mesma classe.
O mtodo de Galton ser usado para fazer a verificao. Neste mtodo
consideram-se somente aspectos como cristas finais e cristas bifurcadas, estruturas
que aparecem com mais freqncia nas impresses digitais (Jain et al., 1997b). Os
aspectos de Galton, tambm chamados de pontos caractersticos ou mincias,
garantem a unicidade e individualidade da impresso digital. A deteco de mincias
obtida aps um processo que envolve melhoria da imagem, reduo de rudos,
deteco de cristas (segmentao) e o refinamento de traos (thinning) (Abutaleb et
al., 1999). Uma imagem considerada de boa qualidade possui cerca de 70 a 80 pontos

de mincias. Em impresses digitais parciais ou latentes (Figura 9)
3
, por exemplo,
impresses coletadas em locais de crime, o nmero de mincias muito menor, cerca
de 20 a 30 pontos caractersticos (Ratha et al., 1995), (URL5).

Figura 9: impresso digital latente coletada em local de crime.

Finalmente sero apresentados algoritmos destinados verificao, que
permitem confirmar se duas impresses digitais so correspondentes, ou seja, se as
mincias comparadas (cristas finais e bifurcadas) so do mesmo tipo e esto na
mesma localizao.
Foi desenvolvida uma biblioteca em linguagem C++, visando a
implementao de funes de leitura e gravao de arquivos bitmap
4
e direcional, do
clculo das direes, do ndice de Poincar
5
e demais funes para manipulao e
visualizao dos resultados. As etapas do algoritmo destinado verificao de
impresses digitais sero implementadas com os recursos contidos em um programa
comercial identificado como Matlab (URL6). Trata-se de uma ferramenta que integra
anlise numrica, clculo com matrizes, alm do toolbox
6
de imagens que
disponibiliza tcnicas e algoritmos j implementados para suavizao, realce e
deteco de bordas, entre outros. Com o auxlio destas ferramentas, pretende-se
propor solues dos referidos problemas concernentes aos procedimentos de extrao
de aspectos das imagens tratadas.

3
A Figura 9 foi extrada do site http://www.arid.com.br/Aplicacoes/Fragmento.htm referenciado
neste trabalho como (URL5).
4
Bitmap: formato de arquivo, representao de uma imagem como mapa de bits.
5
Poincar: ndice utilizado para localizar os pontos de interesse conhecidos como ncleos e deltas
utilizados na classificao de impresses digitais.
6
Toolbox: trata-se de uma caixa de ferramentas que possui vrias funes disponveis para o
tratamento de imagens.

O primeiro captulo desta dissertao enfoca as diversas tcnicas para
classificao e verificao de impresses digitais abordados na literatura, expondo o
estado da arte neste tema. O captulo dois abrange os principais conceitos, histria,
aplicaes e definies sobre biometria, destacando especificamente as impresses
digitais, ou seja, o estudo da dactiloscopia. No captulo trs, so apresentadas
algumas tcnicas de pr-processamento que visam otimizar a qualidade das imagens.
O processo de classificao e de verificao de um modo geral descrito no captulo
quatro. Este captulo enfoca as principais etapas utilizadas na classificao e na
verificao de impresses digitais. No captulo cinco encontram-se a metodologia,
resultados obtidos e discusses. As concluses do trabalho e perspectivas futuras so
descritas no captulo seis.
A bibliografia est dividida entre publicaes em papel (artigos e livros) e
pginas da internet (URL). No item de pginas da internet encontram-se endereos
de busca bibliogrfica utilizadas durante o trabalho.

1. TECNOLOGIA BIOMTRICA
Neste captulo so apresentados os principais mtodos automticos abordados
na literatura utilizados para a classificao e verificao de imagens de impresses
digitais. So descritos os sistemas automticos de identificao de impresses
digitais, conhecidos como AFI S e as aproximaes bsicas para classificao e
verificao nestes sistemas.
1.1 Sistemas automticos de identificao de impresses digitais
(AFIS Automated Fingerprint Identification System)
Os sistemas automticos de identificao de impresses digitais (AFI S
Automated Fingerprint I dentification System) consistem em vrios estgios de
processamento, dentre os quais so citados a melhoria de imagem, o clculo da
imagem direcional, a reduo de rudos, a segmentao e o afinamento (thinning)
(Jain et al., 1997a). H um crescente interesse em classificao e verificao de
impresses digitais automticas ou semi-automticas devido necessidade de
facilitar o manuseio de bancos de dados e agilizar o tempo de processamento. O FBI
(Federal Bureau of Investigation) foi o primeiro a utilizar esta inovadora tecnologia,
que hoje adotada em centenas de instituies pblicas de segurana e de justia de
vrios pases, como a Polcia Montada do Canad e a Scotland Yard da Inglaterra.
Os AFI S's atuais usam mtodos de classificao exclusiva, onde impresses
digitais so divididas em algumas classes
7
distintas de acordo com suas
caractersticas globais. As classes foram primeiramente sugeridas por Henry que
adotou cinco categorias, descritas detalhadamente no item 2.4.2. O desempenho do
sistema de classificao depende fortemente do nmero de classes, que
freqentemente pequeno, e da distribuio das impresses digitais.
Nos sistemas comerciais para verificao so utilizados os aspectos bsicos,
conhecidos tambm como pontos caractersticos (Hong et al., 1998a). Segundo um
levantamento feito pelo FBI (FBI, 1984) mais de oitenta tipos de caractersticas

7
As classes definidas por Henry so arco plano, arco angular, presilha direita, presilha esquerda e
verticilo. Estas classes so abordadas detalhadamente no item 2.4.2.

diferentes podem ser encontrados nas cristas
8
das impresses digitais. Porm, as
cristas finais e bifurcaes so os aspectos extrados para a verificao, pois so
aqueles freqentemente encontrados nesta anlise.
Estes sistemas automticos ou semi-automticos
fornecem uma lista de possveis impresses digitais
candidatas (no mximo 10) que mais combinem com a
impresso digital a ser verificada, as quais so ento
analisadas por um especialista humano (Jain et al., 1997a),
(Ratha et al., 1995), (Figura 10).
Figura 10: Anlise do especialista.

A implantao do Sistema AFIS representa um avano tecnolgico uma vez
que visa agilizar e principalmente auxiliar o trabalho manual de um especialista. Se
implementados, os AFIS eliminariam diversos procedimentos e rotinas, que muitas
vezes so repetitivos. As pesquisas dactiloscpicas hoje realizadas manualmente,
com critrios subjetivos e condies precrias de ambiente, que demandam horas e s
vezes dias, poderiam ser feitas em segundos; os formulrios e fichas seriam
eliminados, bem como os armrios utilizados para o arquivamento dos mesmos.
Estgios apresentados em um AFI S normalmente envolvem extrao de
mincias, comparao e verificao, como apresentado no fluxograma da Figura 11.

Figura 11: Estgios de um AFI S.

8
Cristas correspondem s linhas dactilares em uma impresso digital, so as linhas pretas em uma
impresso tintada em papel.

A utilizao de uma tecnologia biomtrica com sistemas automticos de
identificao est diretamente relacionada ao processamento digital de imagens. Por
processamento digital de imagens entende-se a manipulao de uma imagem de
modo que a entrada e sada do processo sejam imagens. Analogamente, para o
reconhecimento de padres, admite-se como entrada do processo uma imagem e a
sada constituda de uma classificao ou descrio da mesma. O processamento de
imagens cobre um amplo espectro de tcnicas e possui uma variedade de aplicaes.
Segundo Lindley (Lindley, 1991), tcnicas de processamento de imagens so
aplicadas quando se verificam as seguintes necessidades:
Alguns aspectos da imagem precisam ser melhorados devido presena de rudos
tornando possvel o reconhecimento,
Elementos da imagem precisam ser caracterizados, classificados, comparados ou
medidos, como por exemplo, a extrao de atributos em imagens de impresses
digitais que possibilitam realizar a classificao e verificao,
Faz-se necessrio combinar ou reorganizar determinadas regies das imagens.
No caso de impresses digitais, o objetivo final a comparao de imagens a
serem identificadas, reconhecidas, com as armazenadas em um banco de dados. Para
isso so necessrias a classificao e caracterizao de elementos contidos na
imagem. E para que estas fases preliminares sejam executadas com sucesso,
razovel que se disponha de uma imagem sem rudo, conforme os pontos
fundamentais citados por Lindley (Lindley, 1991).

1.2 Mtodos de classificao
Os mtodos estatsticos ou teoria da deciso (Rao et al., 1974), (Kawagoe et
al., 1984) e os mtodos sintticos ou estruturais (Cheung et al., 1987) so os mais
utilizados em reconhecimento de padres. Nos ltimos anos, so destacadas as redes
neurais artificiais (Wilson et al., 1994) utilizadas como ferramenta visando
classificao de impresses digitais. O objetivo dessas tcnicas distinguir tipos de
padres que so constitudos de diferentes atributos que podem ter um conceito
geomtrico ou um valor numrico associado. As tcnicas mais empregadas para
classificao de padres so baseadas no conceito de similaridade de padres, onde

um objeto identificado como sendo x se suas caractersticas coincidirem o mais
prximo possvel das caractersticas de x.
A dificuldade maior em sistemas de reconhecimento de padres est em
determinar o conjunto de caractersticas, ou atributos, passveis de extrao, ou seja,
quais pontos ou reas de uma imagem devem ser considerados em um padro que
permitiro sua descrio ou classificao, se possvel, de forma nica. Nota-se que
um significativo esforo computacional necessrio para a extrao dos atributos
desejados de um padro, os quais podem ser obtidos com erros e rudos.
Muitas vezes, pretende-se classificar, reconhecer ou descrever um padro
considerado invariante quanto a algumas mudanas ou desvios que podem ser
provocados por perturbaes geomtricas causando alteraes de escala, translao e
rotao do padro, em analogia com um caso ideal. Entretanto, na prtica, os desvios
so relevantes e devem ser considerados. A distoro do padro torna-se um grande
problema para seu reconhecimento, e nem sempre possvel encontrar caractersticas
que no sejam gravemente afetadas por esses elementos degenerativos. O processo
de reconhecimento pode ser inviabilizado, caso o sistema de reconhecimento no
esteja habilitado para tratar essas distores. Mas nem sempre possvel ter
conhecimento priori dos tipos de distores que os padres esto sujeitos.
Geralmente esses problemas so tratados aps uma extensa experimentao
envolvendo as situaes possveis de aquisio do padro ou etapas de pr-
processamento.
Convencionalmente, o reconhecimento de impresses digitais tem sido
conduzido por mtodos estatsticos ou sintticos. No mtodo estatstico, a imagem
representada por um vetor de aspectos n-dimensional, onde uma deciso feita com
base em uma medida de similaridade. No mtodo sinttico, o padro representado
por uma string
9
, rvore ou grfico dos aspectos da imagem da impresso digital ou
padres primitivo e suas relaes. Faz-se a deciso analisando a gramtica
caracterstica do sistema (Wahab et al., 1998), (Cappelli et al., 1999), (Blue et al.,
1994), (Jain et al., 1999).

9
String: cadeia de caracteres.

Durante dcadas, um nmero considervel de mtodos tem sido desenvolvido
para o propsito de classificao de impresses digitais automticas, que incluem,
mas no se limitam aos citados a seguir:

Estrutural: faz-se uma anlise da configurao global dos padres de impresses
digitais. Por exemplo, descreve-se a distribuio das direes das cristas e
determina-se a existncia de pontos singulares (ncleos e deltas). De acordo com
o nmero de ncleos e deltas encontrados e respectiva localizao, a imagem de
impresso digital pode ser classificada dentro de uma das classes citadas no
sistema de Henry
10
(Hrechak et al., 1990).
Estatstico: empregando tcnicas estatsticas, comum o uso de vetores de
caractersticas e de atributos espaciais para desenvolver uma viso geomtrica de
um padro. Neste caso, esses atributos so arranjados em um vetor d-
dimensional, denominados vetores de caractersticas, denotado por x, produzindo
um espao de medidas multidimensionais ou espao das caractersticas. Se cada
atributo um nmero real, ou pode ser medido como um, ento este espao R
d
.
Em outras instncias, como nas unidades de redes neurais artificiais, prefervel
restringir o espao das caractersticas como um subespao de R
d
. Mas o vetor de
caractersticas se mostra ineficiente quando necessrio representar os
relacionamentos espaciais entre os atributos de um padro. Para obter esses
relacionamentos espaciais, prefervel recorrer as tcnicas estruturais ou
sintticas. Caractersticas estatsticas so calculadas como atributos das cristas e
pontos singulares (ncleos e deltas) so usados para classificao da impresso
digital (Rao, 1976).
Sinttico: um conjunto de padres usado para representar e classificar padres
de impresses digitais. necessria a aplicao de uma linguagem formal (regras
ou conjunto de padres) para descrio e reconhecimento de padres
relacionados s imagens. No caso de impresses digitais apresenta-se uma
representao topolgica ou geomtrica dos padres. O mtodo sinttico est
baseado na descoberta da continuidade e paralelismo das cristas, tipos de linhas,
pequenos graus de variao local, ncleos e deltas, etc. A representao est na

10
Sistema de Henry: as cinco classes propostas por Henry so detalhadas no item 2.4.2.

forma de vetores que podem ser comparados de acordo com um conjunto de
regras para determinar a classe da impresso digital particular. O maior problema
de classificao usando mtodos sintticos a variedade de conjuntos de padres,
j que estes so personalizados, ou seja, cada pesquisador define regras para sua
aplicao (Grasselli, 1969), (Moayer et al., 1975), (Rao et al., 1980), (Moayer et
al., 1976a), (Moayer et al., 1976b), (Blue et al., 1994), (Chong et al., 1997).
Matemtico: um modelo matemtico desenvolvido para calcular a orientao da
crista local (imagem direcional), ncleos e deltas para o propsito de
classificao.
Redes Neurais Artificiais: um sistema de auto-aprendizado utiliza as direes das
cristas e outros aspectos nas imagens de impresses digitais como entrada de
treinamento para diferenciar as diversas classes (Wilson et al., 1994).
Hbridos: quando dois ou mais dos mtodos citados so combinados para
executar a tarefa de classificao.
Na literatura Cheung (Cheung et al., 1987) faz uma combinao dos mtodos
sinttico e estrutural, enquanto Rao (Rao et al., 1974), Kawagoe (Kawagoe et al.,
1984), Luk (Luk et al., 1991), Xiao (Xiao et al., 1991a) (Xiao et al., 1991b)
combinam mtodos estatstico e estrutural.
Neste trabalho so abordados mtodos hbridos, considerando sua
versatilidade e possibilidade de quaisquer combinaes entre outros mtodos. Todos
os mtodos apresentam problemas quando se trata de imagens ruidosas onde no
possvel detectar pontos singulares (ncleos e deltas). Porm importante ressaltar
que encontrar os pontos singulares (ncleos e deltas) fundamental para
classificao, uma vez que esta feita baseada nesses pontos.

1.3 Mtodos de verificao
Os sistemas automticos ou semi-automticos biomtricos, na sua maioria,
so baseados em comparaes de mincias como mostrado na Figura 12
11
. A
deteco de mincias automtica um processo extremamente crtico, especialmente
em imagens de m qualidade, onde rudos e deficincia no contraste podem gerar

11
A Figura 12 foi extrada do artigo Integrating Faces and Fingerprints for Personal Identification
referenciado neste trabalho como (Hong et al., 1998a).

configuraes de pixels
12
similares ou ignorar mincias verdadeiras. O FBI adotou
uma taxa de 500 dpi
13
para resoluo das imagens de impresses digitais visando
obter imagens menos ruidosas no processo de aquisio.

Figura 12: Comparao de mincias (cristas finais e cristas bifurcadas).

A proposta principal de um AFIS minimizar o tempo auxiliando o trabalho
de um especialista humano (Asai et al., 1975), (Verma et al., 1987), (Mehtre, 1993),
(Isenor et al., 1986).
Basicamente, os sistemas clssicos de verificao de impresses digitais
efetuam as seguintes etapas: obteno das direes das cristas, limiar (threshold),
afinamento, localizao de mincias e comparao. Estas etapas so detalhadamente
abordadas nos captulos trs e quatro.

1.3.1 Verificao x Identificao
Os dispositivos biomtricos comerciais, na sua maioria, operam no modo
verificao ou autenticao. Isto significa que o indivduo apresenta sua impresso
digital que ser comparada com um template
14
armazenado no banco de dados (Jain
et al., 1997b). Se a comparao reconhecida como verdadeira ento o indivduo
ser aceito pelo sistema. Este procedimento denominado comparao um-para-
um (1:1). Porm, antes de qualquer tentativa de verificao, o usurio deve estar

12
pixels: menor unidade ou ponto de um monitor de vdeo cuja cor ou brilho podem ser controlados;
elemento de imagem.
13
Dpi: pontos por polegada, refere-se a resoluo em um leitor biomtrico ou scanner.
14
Template: conjunto de caractersticas, conjunto de dados extrados de uma imagem.

cadastrado em um banco de dados. O mesmo procedimento ocorre nas outras
tecnologias biomtricas (Figura 13).

Figura 13: Sistema de Verificao Face.

Durante a aquisio, o sistema cria um template de referncia baseado nos
aspectos de interesse para respectiva verificao. Desta forma possvel minimizar o
espao que ocuparia a imagem. Para cadastrar um indivduo so concebidas vrias
amostras, sendo que a melhor delas ser o template definitivo. O template
constitudo por um subconjunto das informaes contidas na imagem original, e
devido a esta propriedade a imagem no pode ser reconstruda, mantendo um alto
nvel de segurana em comparao com os mtodos atualmente utilizados (senhas e
cartes). Autenticao, portanto, a verificao de uma identidade requerida em uma
populao conhecida. Em outras palavras, o usurio entra em uma rede onde h
necessidade de confirmar sua identidade. Neste processo de autenticao ou
verificao so confirmadas algumas caractersticas como PIN
15
(Personal
Identification Number), senhas ou qualquer informao biomtrica disponvel no
sistema (Ratha et al., 1995), (Hong et al., 1996), (Hong et al., 1998b).
A identificao constitui-se de um banco de dados de templates e o indivduo
ser procurado neste acervo, ou seja, comparao um-para-vrios (1:n) (Hong et
al., 1998a). A identificao busca a confirmao de um indivduo em uma populao

15
PIN: Personal Identification Number, equivalente s senhas.

desconhecida de possveis usurios, de acordo com suas mltiplas caractersticas as
quais podem estar associadas com particularidades individuais, sem a identidade ser
explicitamente requerida pelo usurio (Figura 14).

Figura 14: Sistema de Identificao Face.

Neste captulo foram apresentados mtodos propostos na literatura destinados
classificao e verificao de impresses digitais, alm de uma descrio sobre os
sistemas automticos AFIS para identificao.
O sistema AFIS guarda informaes relacionadas posio, direo e tipo de
vrios pontos da impresso digital, chamados de mincias. Esses parmetros das
mincias so uma forma numrica de representar as impresses digitais. A leitura
transformada em coordenadas, que buscam em um banco de dados uma outra
impresso digital idntica, guardada no momento do cadastro. Faz-se a comparao
dos dados numricos que representam a imagem.
O padro AFIS determina que a resoluo mnima de uma imagem de
impresso digital deve ser de 500 dpi
16
(pontos por polegada). O algoritmo AFIS

16
dpi: pontos por polegada, refere-se a resoluo em um leitor biomtrico ou scanner.

codifica o dedo de forma nica para no haver o risco de uma impresso digitalizada
ser reconstruda.
Dispositivos baseados em reconhecimento de impresses digitais so
utilizados em numerosos projetos biomtricos por todo o mundo. Em paralelo, outras
tecnologias biomtricas esto sendo desenvolvidas, melhoradas e refinadas at o
ponto em que se tornem realidades comerciais. Nestes anos recentes, tem sido
considervel o progresso em tecnologias biomtricas baseadas no reconhecimento da
ris e reconhecimento facial, tecnologias de reconhecimento sem contato.
A ltima dcada tem sido de maturao da indstria biomtrica apresentando
um significante crescimento e uma larga escala de aplicaes que comeam a se
desdobrar.

2. ESTUDO DA DACTILOSCOPIA
Este captulo tem a finalidade de expor alguns conceitos e definies que
sero citados continuamente no decorrer do trabalho para esclarecer termos
especficos relativos caracterizao de impresses digitais.
Segundo Carlos Kehdy (Kehdy, 1968), a dactiloscopia um sistema de
verificao por meio das impresses digitais. Esta palavra constituda de dois
elementos gregos: daktylos = dedos, skopein = examinar, portanto da a origem
estudo dos dedos, ou seja, das impresses digitais.

2.1 Histria da dactiloscopia
A dactiloscopia o mtodo de identificao humana que apesar de ser
empregado a mais de um sculo, ainda o mais prtico, seguro e econmico que
existe (FBI, 1984), (Newham, 1995). Um resumo da evoluo nos processos de
identificao apresentado a seguir (Figura 15).

Figura 15: Evoluo cronolgica dos processos de identificao.

A partir de 1901 a identificao baseada em impresses digitais foi
formalmente aceita pela justia e governo na Inglaterra como mtodo de
identificao pessoal. A partir de 1960, o FBI investiu no desenvolvimento de um
sistema biomtrico automtico (AFIS) que foi um sucesso e tem se espalhado por
todo o mundo aumentando a produtividade operacional (FBI, 1984), (Sims, 1994).

2.2 Princpios da dactiloscopia
Como citado por Hong (Hong et al., 1998a), algumas caractersticas fsicas
pessoais, como as impresses digitais, as impresses palmares, face, retina e outras

podem ser usadas como caractersticas biomtricas desde que satisfaam as seguintes
condies:
Universalidade: cada pessoa classificada por um conjunto de caractersticas.
Unicidade (variabilidade): indica que duas pessoas no possuem as mesmas
caractersticas, ou seja, cada pessoa tem suas caractersticas prprias. As
impresses digitais variam de pessoa para pessoa, de dedo para dedo. Desta
forma, uma impresso digital somente igual a ela mesma.
Permanncia (imutabilidade): as caractersticas no podem ser modificadas, ou
seja, no se alteram no decorrer do tempo.
Critrio Quantitativo: indica que as caractersticas podem ser medidas
quantitativamente.

Visando analisar e ilustrar os princpios da dactiloscopia, admite-se como
exemplo o parmetro cor da pele. Este parmetro atende a primeira condio, uma
vez que todas as pessoas possuem uma cor, portanto este universal. Quanto
unicidade, no possvel afirmar que cada pessoa tem uma cor especfica que a torne
nica. Tambm no se pode afirmar que a cor permanente, uma vez que pode variar
aps dez minutos de exposio ao sol, por exemplo. Quanto ao critrio quantitativo
necessita-se avaliar a pigmentao, a quantidade de melanina no corpo. Como visto
neste exemplo, o parmetro cor da pele, abordado aqui como exemplo, no satisfaz
as condies propostas (Hong et al., 1998a).
Faz-se uma anlise anloga para as impresses digitais a fim de validar os
princpios da dactiloscopia propostos. Todas as pessoas possuem uma impresso
digital, o que demonstra o critrio da universalidade. As impresses digitais so
nicas e permanentes, ou seja, as digitais apresentam um conjunto de caractersticas
pessoais que formado na gestao (aos 4 meses) e permanecem por toda a vida.
Este conjunto de caractersticas pode ser medido, ou seja, o encontro de doze pontos
caractersticos ou mincias permite fazer a identificao de uma pessoa. Isto satisfaz
o critrio quantitativo (Xiao et al., 1991b), (Eleccion, 1973). Uma vez que
impresses digitais satisfazem estas condies, elas podem ser usadas como
caractersticas biomtricas.

As impresses digitais de pessoas ou de dedos diferentes de uma mesma
pessoa diferenciam-se sob dois critrios principais. O primeiro critrio est
relacionado ao grupo da impresso e o segundo critrio est relacionado
distribuio das mincias. O critrio de grupo representa uma viso global da
impresso digital, definida pelo comportamento das linhas dactilares nos dedos. Em
funo deste comportamento, uma impresso digital classificada como arco plano,
arco angular, presilha direita (interna), presilha esquerda (externa) ou verticilo. Esta
viso macroscpica permite, em um processo de comparao de duas impresses
digitais, afirmar a no identidade no caso de grupos diferentes. Quando os grupos de
duas impresses digitais so iguais, ou seja, a imagem cadastrada no banco de dados
e a imagem candidata, o segundo critrio, das mincias, permite afirmar ou no a
identidade em funo da ocorrncia ou no de um mapeamento posicional entre os
diversos tipos de mincias.

2.3 Aplicaes da tecnologia biomtrica
As aplicaes deste segmento biomtrico, ou seja, das impresses digitais,
destina-se ao aumento de segurana e agilidade em operaes empresariais,
governamentais ou institucionais. Algumas aplicaes so apresentadas a seguir.

Foras Armadas

Por anos, a comunidade das foras armadas tem utilizado impresses digitais
para identificao criminal. Digitais coletadas por meio de tintas em cartes tem sido
enviadas para sites
17
que utilizam o sistema AFIS (AUTOMATED FINGER
IDENTIFICATION SYSTEM) para processamento.

Governo e Reparties Pblicas

Ao redor do mundo, governos e reparties pblicas esto estabelecendo uma
larga escala de identificao e sistemas de verificao por impresses digitais,
carteira de identidade nacional, passaporte, controle de imigrao, carteira de
habilitao, seguridade social, porte de armas e outros. O potencial de negcios e

17
Sites: referem-se as pginas da internet.

aplicaes para identificaes, coleta e sistemas de verificao por impresses
digitais imenso.

Transaes Eletrnicas

Fraudes em transaes eletrnicas de valor monetrio tm custado aos
consumidores, comrcio e indstrias bilhes de dlares a cada ano. As aplicaes
incluem: terminais de ponto de vendas, caixas automticos de bancos, Smart Cards
18
,
segurana em transaes e negociaes no local de trabalho, comrcio eletrnico e
outras. Armazenar dados de uma impresso digital (biometricamente) em
SmartCards habitualmente reconhecido como uma medida de segurana para
identificao de usurios e tambm proporciona um outro nvel de segurana para
transaes via internet.

Controle de Ponto

No comrcio, indstrias e empresas, o sistema de identificao de impresses
digitais tem sido utilizado para controle e gerenciamento de ponto substituindo o
sistema tradicional de controle de ponto por cartes. A habilidade de selecionar e
controlar a entrada de pessoas, sadas e perodos de descanso individualmente gera
um sistema efetivo de controle do horrio, reduzindo o tempo redundante para o
controle de dados e incrementando principalmente a produtividade.

Controle de Acesso e Presena

A tecnologia para identificao e verificao atravs das impresses digitais
tambm utilizada para restringir acesso a locais controlados ou reas restritas e at
mesmo maquinrio e equipamentos. Sistemas de controle de acesso baseados na
verificao de impresses digitais permitem um controle muito apurado dos usurios,
aumentando conseqentemente o nvel de segurana.

Outras Aplicaes

Existem vrios nichos de mercado que esto crescendo rapidamente buscando
a utilizao da tecnologia de reconhecimento biomtrico baseado nas impresses

18
Smart Cards: conhecidos como cartes inteligentes, so utilizados para armazenamento de
informaes pessoais, inclusive biomtricas como, por exemplo, as impresses digitais.

digitais. Devido necessidade de estabelecer nveis de segurana, profissionais da
rea biomtrica tm investido nesta tecnologia buscando ganhar espao no mercado
de trabalho (Figura 16).

Figura 16: Aplicao biomtrica em diversos segmentos de mercado.

2.4 Definies
Na literatura, a caracterizao de aspectos de impresses digitais tem sido
apresentada por Galton (Karu et al., 1892), Henry (Henry, 1905) e pelo FBI (FBI,
1984). Francis Galton foi o primeiro a fazer um estudo dos aspectos de impresses
digitais. Pela definio, as impresses digitais possuem aspectos como cristas finais,
cristas bifurcadas, cristas curtas, cruzamentos, esporas e ilhas, chamados de mincias
ou pontos caractersticos, abordados detalhadamente no item 2.4.3. deste captulo.
As impresses digitais podem ser divididas em vrias classes de acordo com
sua topologia geomtrica (Eleccion, 1973), (Lumini et al., 1997), (Hrechak et al.,
1990). Para classificar impresses digitais, a primeira tentativa foi proposta por
Edward Henry (Henry, 1905), que as dividiu em cinco classes diferentes, definindo
um sistema de classificao designado Henry System (Rao et al., 1978). Este sistema
est detalhado no item 2.4.2.
H dois tipos de arquivos que diferenciam a anlise de impresses digitais: o
arquivo decadactilar e o arquivo monodactilar. No primeiro caso, o arquivo possui as

impresses digitais dos dez dedos da pessoa e a comparao feita simultaneamente
levando em considerao todos os dedos. No caso do arquivo monodactilar as
impresses digitais so cadastradas isoladamente e o confronto feito dedo a dedo
(Bombonatti, 1984). Para os casos criminais os confrontos so feitos no arquivo
decadactilar buscando nas fichas cadastrais o fragmento da impresso digital
coletada no local de crime. Para resolver um caso criminal necessrio que haja
suspeitos, pois impossvel fazer uma busca completa nos arquivos decadactilares
devido imensido de cadastros.

2.4.1 Pontos singulares (ncleos e deltas)
Antes de abordar os pontos singulares, necessrio explicar alguns termos
tcnicos usados para reconhecimento de impresses digitais. O desenho digital
apresenta uma rea til onde possvel observar a rea padro e tipos de linhas
(Figura 17).
rea padro a parte principal da impresso do dedo e consiste das cristas e
todos seus aspectos.
Tipos de linhas so definidos como duas cristas que iniciam paralelamente e
divergem sobre toda rea padro. Estas cristas podem ser contnuas ou no, caso
ocorra alguma quebra.

Figura 17: rea padro e tipos de linhas.

Os pontos singulares em impresses digitais so conhecidos como ncleos e
deltas, que so usados para classificar os padres de impresses digitais (Figura 18).

Figura 18: Ponto delta e ponto ncleo de uma impresso digital.

O ncleo um ponto localizado na rea central da impresso digital.
Delta um ngulo ou tringulo formado pelas cristas papilares e pode ser
formado por dois processos: pela bifurcao de uma linha simples ou pela brusca
divergncia de duas linhas paralelas. O delta desempenha papel importante na
impresso digital porque determina a sua classe. Os deltas representam o ponto de
divergncia das linhas dactilares mais internas que tendem a envolver a regio
nuclear de uma impresso digital. Em impresses digitais isentas de pontos delta,
verifica-se somente os sistemas de linhas basilar e marginal, caso dos arcos planos.
As impresses que apresentam um ou dois deltas, possuem trs sistemas de linhas
denominados: nuclear (regio central da impresso), basilar (linha que serve de base,
abaixo da regio nuclear) e marginal (regio das caractersticas situadas nas margens
da impresso) (Figura 19).

Figura 19: Sistemas de Linhas.

Regio Marginal
Regio Nuclear
Regio Basilar

2.4.2 Sistema de Henry
No mrito da classificao, o sistema de Henry faz a distribuio em cinco
classes, que apresentam caractersticas prprias, uma delas pertinente ao delta e outra
s linhas do sistema nuclear (ncleo) (Henry, 1905), (Ratha et al., 1995), (Lee et al.,
1991). So apresentadas as cinco classes propostas por Henry (Figura 20) e suas
definies:

Arco Plano: no apresentam delta e as linhas atravessam de um lado para outro
de forma abaulada. As linhas dactilares formam-se em um lado e tendem a sair
pelo outro lado.

Arco Angular: apresentam acentuada elevao das linhas no centro, em forma de
tenda. Pode apresentar um delta, mas sem linha ou fragmento de linha, entre o
delta e o ncleo.

Presilha Interna (Direita): apresentam um delta direita do observador, as linhas
dactilares correm para a esquerda em forma de laadas, ou seja, as linhas
formam-se esquerda do observador, curvam-se e tendem a voltar para o mesmo
lado.

Presilha Externa (Esquerda): apresentam um delta esquerda do observador, as
linhas dactilares correm para a direita do observador, ou seja, as linhas formam-se
na direita do observador, curvam-se no centro da impresso e tendem a voltar
para o mesmo lado.

Verticilo: apresentam dois deltas, sendo um direita e outro esquerda do
observador; as linhas nucleares ficam encerradas entre os dois deltas, assumindo
configuraes variadas.

Figura 20: As cinco classes propostas por Henry, deltas e ncleos destacados em vermelho.

Segundo arquivamento do FBI (Federal Bureau of Investigation), foi
constatado que 65% dos padres so presilhas, 30% so verticilos e 5% so arcos
(Moayer et al., 1975). Por esse motivo os bancos de dados no possuem impresses
digitais uniformemente distribudas nas cinco classes.
Um outro mtodo para classificao proposto por Juan Vucetich (Cruz,
1999)
19
e faz a distribuio em quatro tipos fundamentais: arco, presilha externa
(esquerda), presilha interna (direita), verticilo. Vucetich no fez distino entre arco
plano e arco angular sendo a definio para as classes similar ao sistema de Henry
(Kehdy, 1968).

2.4.3 Pontos caractersticos ou mincias (Detalhes de Galton)
As mincias (detalhes de Galton) so acidentes que se encontram nas cristas
papilares como, por exemplo, linhas que terminam abruptamente ou se bifurcam, e
tem a finalidade de estabelecer a unicidade das impresses digitais (Figura 21).

19
Cruz: refere-se a Gilberto da Cruz, ex-secretrio da Segurana Pblica do Estado de So Paulo e
chefe do Departamento de Identificao Dactiloscpica. Em entrevista pessoal realizada em 8 de
maro de 1999, exps verbalmente o funcionamento do sistema argentino proposto por Vucetich,
adotado no Brasil.

Figura 21: Pontos caractersticos ou mincias - cristas finais e cristas bifurcadas.

O NIST (American National Standards Institute) props quatro maiores
grupos de mincias: cristas finais, bifurcaes, cruzamentos e pontos
indeterminados. Porm as mincias consideradas mais importantes so as cristas
finais e bifurcaes, pois ocorrem freqentemente nas imagens de impresses digitais
(NIST, 1986), (Farina et al., 1998), (Hrechak et al., 1990), (TABELA 2).

TABELA 2: DISTRIBUIO DAS MINCIAS.

Freqncia Mdia
Tipos de Mincias % do total de mincias Mincias por impresso
Pontos (dot) 4.3 18
Cristas finais (ridge ending) 60.6 258
Bifurcaes (bifurcation) 17.9 76
Ilhas (islands) 0.7 3
Esporas (spur) 4.7 20
Cruzamentos (crossover) 3.2 14
Pontes (bridge) 2.5 10
Cristas curtas (short ridge) 6.1 26

As mincias ou pontos caractersticos so resumidamente classificados dentro
de duas categorias: aspectos bsicos e aspectos compostos (Figura 22).

Figura 22: Aspectos de impresses digitais - Detalhes de Galton.

Os aspectos compostos so construdos a partir dos aspectos bsicos. So
aspectos bsicos: cristas finais (ridge ending) e cristas bifurcadas (bifurcation)
(Hrechak et al., 1990).
Quanto aos aspectos compostos so citados: ilhas (islands), cristas curtas
(short ridge), espora (spur), cruzamento (crossover).
A crista final definida como um ponto onde a crista termina abruptamente.
A crista bifurcada definida como um ponto onde a crista diverge dentro de cristas
brancas, ou seja, vales (linhas brancas). Lagos ou ilhas so definidos como duas
bifurcaes conectadas. Cristas independentes ou curtas so definidas como cristas
finais muito pequenas ou simplesmente como cristas quebradas. Esporas so
formadas pela combinao de bifurcaes e cristas finais. Cruzamentos ou pontes so
definidos como duas ou mais bifurcaes conectadas na vizinhana, ou seja, duas
bifurcaes com um caminho conectado (Hrechak et al., 1990), (Bombonatti, 1984),
(Kehdy, 1968).
Para a verificao de impresses digitais necessrio:
Que haja coincidncia de doze pontos caractersticos no mnimo (Xiao et al.,
1991b), (Eleccion, 1973).

Que no exista nenhuma discordncia entre estes pontos, ou seja, eles devem ser
idnticos e ter a mesma localizao.
Na maioria dos pases, estes critrios so requeridos legalmente para
identificao em um caso criminal, sendo que um leitor de impresso digital tpico
pode registrar mais de 20 pontos caractersticos (mincias).

Neste captulo foram apresentados conceitos e definies de alguns termos
amplamente utilizados neste trabalho. Diante da histria da dactiloscopia possvel
acompanhar o progresso da idia de utilizao das impresses digitais para
reconhecimento e validao da identidade de um indivduo. Hoje, alm do
reconhecimento baseado nas impresses digitais, so apresentadas outras tecnologias
biomtricas que surgem a cada dia no mercado.
Abordou-se tambm neste captulo as propriedades das impresses digitais
que permitem utiliz-las como caractersticas biomtricas, pois so nicas, imutveis,
variveis de dedo para dedo. possvel extrair atributos em uma imagem de
impresso digital visando a classificao e verificao. Estes atributos so reportados
na literatura como pontos singulares e mincias. Desta forma, caractersticas
biomtricas podem ser utilizadas para reconhecimento mediante o confronto positivo
de duas impresses digitais.

3. Pr-Processamento de Imagens
O principal objetivo das tcnicas de pr-processamento otimizar e extrair
aspectos de uma imagem cujo resultado seja uma imagem otimizada, ou seja, esta
imagem deve apresentar menos distores que a imagem original (Sherlock et al.,
1992a), (Hung, 1993), (Jain et al., 1997a).
As impresses digitais geralmente so irregulares devido s condies da pele
(marcas de nascimento, marcas de ocupao, cortes, uso de cremes), marcas causadas
por dilatao (rolamento do dedo, excesso de tinta), dispositivos de aquisio e
atitudes no cooperativas. Esses fatores influenciam significativamente a qualidade
das imagens, ou seja, nem sempre a estrutura das cristas so bem definidas, portanto
no podem ser detectadas. As linhas tpicas no padro da impresso digital so
reconhecidas como cristas papilares. O fluxo das cristas forma diferentes padres
geomtricos
20
classificados como arcos, presilhas, verticilos, e outras estruturas mais
detalhadas como cristas finais e cristas bifurcadas, conhecidas como mincias ou
pontos caractersticos
21
. Observando esses aspectos, a maior parte das tcnicas
utilizadas para classificao e verificao automtica ou semi-automtica de
impresses digitais depende da determinao da direo das cristas papilares.
Dentre as tcnicas de pr-processamento para otimizao de imagens so
citadas neste trabalho, o filtro para aplicao do contraste e as operaes
morfolgicas, como por exemplo, a binarizao (limiar ou threshold) e o afinamento
(thinning).
Antes, porm da abordagem destas tcnicas, ser apresentada uma breve
introduo sobre processamento pontual e processamento de rea. Ser abordado
tambm o conceito de vizinhana de pixels que est diretamente relacionado com o
processamento de rea, uma vez que para definir o valor de um pixel necessrio
verificar os seus vizinhos.

20
Padres geomtricos referem-se s classes de impresses digitais definidas por Edward Henry
(Henry, 1905). Estas classes podem ser vistas na Figura 20.
21
Mincias ou pontos caractersticos referem-se aos aspectos de Galton. Estes aspectos ou detalhes
podem ser vistos na Figura 21.

3.1 Processamento pontual e processamento de rea
As tcnicas de otimizao da imagem podem ser agrupadas dentro de duas
principais categorias: melhoria pelo processamento pontual ou pelo processamento
de rea.

A) Melhoria pelo processamento pontual: so algoritmos que modificam o valor do
pixel na imagem baseados somente no valor do pixel local e algumas vezes na
sua localizao. Valores de outros pixels, localizados na vizinhana, no esto
envolvidos na transformao. Este processamento varre a imagem ponto a ponto
executando a transformao. O processamento pontual faz sentido somente para
imagens em tons contnuos, onde os valores de intensidade so diretamente
representados por valores dos pixels. Para manipular imagens coloridas, os
algoritmos devem ser aplicados para cada plano de cor separadamente, ao invs
de valores pontuais diretamente. Alguns algoritmos que fazem processamento
pontual so: ajuste de contraste, imagens negativas (operaes lgicas) (Figura
23), tcnicas que envolvem modificao de histogramas (Gonzalez et al., 1987),
(Figura 24).

Figura 23: a) imagem original; b) imagem aps aplicao de contraste; c) imagem negativa.

Figura 24: Histograma da imagem original citada na Figura 23.

B) Melhoria pelo processamento de rea (processamento de grupos): esta categoria
usa grupos de pixels para deduzir informaes sobre a imagem, ou seja, so
considerados os pixels em uma vizinhana. A vizinhana geralmente uma
matriz bidimensional de valores de pixels. O pixel de interesse est no centro da
vizinhana. Um pixel ser considerado pertencente vizinhana 4 quando
localizado na horizontal e na vertical com relao ao pixel central p. Quando
situado nas diagonais, o pixel considerado pertencente vizinhana 8 com
relao ao pixel central p. possvel observar na mscara pixels pertencentes a
vizinhana 4 destacados na cor vermelha e pixels pertencentes vizinhana 8
destacados na cor azul (Figura.25).

(x-1, y-1) (x-1, y) (x-1, y+1)
(x, y-1) p (x, y+1)
(x+1, y-1) (x+1, y) (x+1, y+1)

Figura 25: mscara 3x3 destacando em vermelho pixels pertencentes vizinhana 4 e em azul
pixels pertencentes vizinhana 8.

Filtragem, por exemplo, um mtodo de vizinhana e pode ser executado no
domnio espacial ou no domnio da freqncia (Fourier). Esta tcnica tem muitas
aplicaes no processamento de imagens, podendo ser usada, por exemplo, para
extrao de aspectos (melhoria de borda e deteco), para aumentar a intensidade
(sharpening) ou para suavizao (smoothing) (Gonzalez et al., 1987). No domnio
espacial, a filtragem implementada pelo uso de mscaras, tambm conhecidas
como moving windows. No domnio de Fourier, filtros passa-baixa atenuam ou
eliminam componentes de alta freqncia enquanto baixas freqncias so mantidas.
Isto resulta na suavizao da imagem ou mancha. Similarmente, filtros passa-alta
atenuam ou eliminam baixas freqncias, intensificando bordas e outras transies,
incluindo rudos de imagens. Uma aplicao comum dos filtros passa-baixa atenuar
ou remover rudos, sendo freqentemente usados como um passo de pr-
processamento para remover pequenas variaes em algumas regies da imagem,
mas geralmente causam manchas. Os filtros passa-alta so ferramentas para
intensificar bordas (Centeno et al., 1997). As figuras 25b e 25c foram geradas por um
editor grfico com o intuito de proporcionar ao leitor uma viso ilustrativa das
imagens aps aplicao dos filtros passa-baixa e passa-alta (Figura 26).

Figura 26: a) imagem original; b) imagem aps suavizao; c) imagem aps sharpening.

Em uma imagem de impresso digital ideal, cristas e vales se alternam, o
fluxo da direo localmente constante e as mincias (cristas finais e bifurcaes)
so anomalias das cristas. Entretanto, na prtica, imagens de m qualidade, ou seja,
aquelas que apresentam manchas so freqentemente encontradas indicando um

percentual significativo. Desta forma, aspectos falsos podem ser detectados e em
contrapartida aspectos significativos podem ser ignorados ou distorcidos. Por isso
torna-se necessrio um processo de otimizao para que a extrao de mincias tenha
um desempenho robusto (Hong et al., 1996), (Hong et al., 1998b). Isto muito
importante porque estruturas de cristas ilegtimas (falsas) podem mudar a
individualidade das impresses digitais de entrada.
Neste trabalho foi implementado um filtro de contraste, descrito no item 3.2,
visando otimizar a qualidade das imagens nas etapas antecedentes classificao.
Tambm so abordados nos itens 3.3, 3.3.1 e 3.3.2 as operaes morfolgicas, como
por exemplo, a binarizao (threshold) e o afinamento (thinning), utilizados na etapa
de verificao das imagens de impresses digitais. Neste trabalho tambm foi
implementado um filtro descrito no item 3.3.3, denominado filtro para limpeza do
esqueleto. Trata-se de um filtro que tem por objetivo limpar as reentrncias, tambm
conhecidas como ps-de-galinha nas imagens afinadas de impresses digitais.

3.2 Filtro de contraste
As imagens de impresses digitais so pr-processadas visando reduo de
distores. A aplicao do filtro de contraste tem como objetivo principal aumentar a
discriminao visual entre os objetos contidos em uma imagem. Dada uma imagem,
calcula-se para cada pixel um valor mdio de intensidade em uma vizinhana 5x5. Se
o valor do pixel for menor que a mdia do bloco considerado, ento o pixel de
interesse receber valor zero; caso contrrio o pixel manter seu valor original (Hong
et al., 1996). Este filtro foi implementado na fase de classificao e os resultados
podem ser observados na Figura 27. Foram utilizados diferentes tamanhos, 5x5,
10x10 e 20x20 aplicando-se o conceito de vizinhana. A proposta principal poder
confrontar os resultados obtidos destacando a melhoria na qualidade das imagens sob
os critrios subjetivos do olho humano.

Figura 27: Filtro de Contraste - (A) Imagem Original, (B) grade 5X5, (C) grade 10X10, (D)
grade 20X20.

3.3 Operaes morfolgicas
As operaes morfolgicas so aplicadas quando se tem interesse em ter
resoluo das formas (contornos, padres geomtricos especficos, etc.) nelas
presentes. Assim, o resultado de uma operao morfolgica uma imagem na qual o
valor de cada pixel resultado do processamento do seu correspondente na imagem
original em conjunto com uma determinada vizinhana. No caso das impresses
digitais, tem-se como meta identificar claramente as cristas e os vales das imagens
analisadas. Isto facilitar a identificao dos padres para verificao de imagens de
impresses digitais.
Na etapa de verificao, o primeiro passo a ser realizado como procedimento
geral a aplicao do limiar ou binarizao (threshold), ou seja, tendo como entrada
uma imagem de impresso digital em tons de cinza necessrio transform-la em
uma imagem binria. O segundo passo trata-se da aplicao do afinamento, ou seja,
as cristas das impresses digitais passam por um processo de emagrecimento (Jain et

al., 1997b), (Qinghan et al., 1986). Ambos os passos sero detalhados nos itens 3.3.1
e 3.3.2, respectivamente.

3.3.1 Binarizao ou limiar (Threshold)
Em algumas aplicaes do processamento de imagens conveniente
converter imagens em tons de cinza para imagens binrias (preto/branco). Esta
operao referida na literatura como threshold (Ratha et al., 1995), (Coetzee et
al., 1993), (Rao, 1976). Verificam-se os valores de intensidade dos pixels para
decidir se ele receber o valor 0 (preto) ou 255 (branco). A deciso feita pela
comparao numrica dos pixels com um determinado valor chamado nvel de
threshold. Se o pixel de interesse tem valor menor que esse nvel de threshold, ento
receber valor 0, caso contrrio receber valor 255. A operao de threshold pode ser
expressa na equao (1):

(1)

onde F(i, j) indica a imagem original, T o nvel de threshold, G(i, j) indica a
imagem binria resultante e N, M so linhas e colunas da imagem respectivamente.
A operao threshold deve ser aplicada usando pequenos blocos, como por
exemplo, blocos de tamanho 8x8, 10x10, porque o valor cinza no o mesmo em
diferentes partes da imagem. Este um problema muito importante em imagens de
impresses digitais (Figura 28). Para isso o threshold calculado para cada bloco da
imagem usando o valor mdio de cinza do bloco como valor de nvel de threshold.
Esta operao denominada de threshold adaptativo (Farina et al., 1998), (Verma et
al., 1987).

0 se F(i, j) < T
G(i, j) = (i= 0, 1, ......N; j = 0, 1, .....M)
255 se F(i, j) >= T

Figura 28: (a) Imagem Original, (b) Imagem aps threshold com grade 10.

3.3.2 Afinamento (Thinning)
Thinning tambm conhecido como afinamento uma tcnica que pode ser
usada para remover pontos isolados no fundo da imagem e ngulos retos ao longo de
bordas dos objetos (Hung, 1993), (Mehtre, 1993), (Coetzee et al., 1993). O
afinamento pode ser definido em termos da transformada hit or miss, ou seja,
casamento de mscaras. Esta funo elimina pixels indesejveis na imagem sem
alterar sua estrutura. Neste caso, a escolha do elemento estruturante fundamental.
Em especfico para impresses digitais, reportado na literatura um algoritmo de
afinamento iterativo paralelo (parallel iterative thinning algorithm) (Tamura, 1978).
Os algoritmos de thinning consomem tempo, uma vez que a varredura da imagem
feita linha a linha, examinando a vizinhana e verificando quando o pixel pode ou
no ser apagado (Figura 29), (Rao, 1976), (Chong et al., 1992).

Figura 29: (a) Imagem Original, (b) Imagem aps thinning aplicado cinco vezes.

Normalmente 20 a 30 passos so necessrios para afinar as cristas em uma
imagem de impresso digital. Para otimizar este processo, necessrio conhecer o
processo de thinning. Quando um pixel apagado, ou seja, seu valor muda de 1 para
0, a imagem dita transformada. Um nmero total de pixels, apagados em um passo,
constitui um nmero total de mudanas neste passo. A taxa de afinamento pode ser
definida como nmero total de mudanas por passo. O afinamento dito completo
quando o nmero de mudanas na imagem converge para zero, ou seja, no ocorrem
mais mudanas (Isenor et al., 1986), (Asai et al., 1975), (Xiao et al., 1986), (Verma
et al., 1987).
Caso o resultado tenha sido alcanado, continuar aplicando o algoritmo de
afinamento no influenciar no resultado obtido, ou seja, essa transformao
considerada idempotente. A escolha de pares de elementos estruturantes
fundamental. Ao invs de se afinar uma imagem com apenas um par de elementos
estruturantes, as operaes podem ser efetuadas de forma simtrica a partir de uma
famlia de pares de elementos estruturantes. Uma famlia de elementos estruturantes
uma seqncia de rotaes de um determinado elemento. Uma possvel famlia
sugerida em (Gonzalez et al., 1987), (Figura 30).

Figura 30: Famlia de Elementos Estruturantes.

Os smbolos ativos esto representados por 0 (zero). O smbolo x representa
os pixels que no interagem com a imagem.
A escolha do algoritmo de afinamento para ser aplicado ao problema em
questo deve ter algumas caractersticas especiais como:
! Executar rapidamente a ao de afinamento;
! No causar desconexes entre os pixels que formam as cristas;
- - -
x 0 x
0 0 0
x - -
0 0 -
0 0 x
0 x -
0 0 -
0 x -
0 0 -
0 0 x
- x -
0 0 0
x 0 x
- - -
x 0 0
- 0 0
- - x
- x 0
- 0 0
- x 0
- - x
- 0 0
x 0 0

! No remover pontos finais (cristas finais);
! Minimizar a gerao de ramos em linhas com reentrncias e salincias;
! Eliminar o maior nmero de pixels redundantes.

Obtida a imagem afinada, necessrio aplicar um filtro para limpeza do
esqueleto, detalhado item 3.3.3 a seguir.

3.3.3 Filtro para limpeza do esqueleto
Considerando as caractersticas essenciais mencionadas no algoritmo de
afinamento, pretende-se remover os pixels que contornam o objeto, exceto aqueles
que compem o esqueleto do mesmo, de forma iterativa.
O pixel P(i, j) para ser removido deve ter alguns relacionamentos especiais
em relao aos vizinhos (TABELA 3).

TABELA 3: PI XEL CENTRAL E SEUS VIZINHOS.

P (i - 1, j - 1) P (i - 1, j) P (i - 1, j + 1)
P (i , j - 1) P (i, j) P (i, j+1)
P (i + 1, j 1) P (i + 1, j) P (i + 1, j+1)

Observa-se a seguinte condio para realizar a limpeza do esqueleto.
Primeiramente, define-se o pixel de interesse P (i, j) localizado no centro da mscara.
Se os pixels (i, j), (i + 1, j + 1) e (i - 1, j + 1) possurem valor 1, ento os pixels (i + 1,
j), (i , j + 1) e (i - 1 , j) recebero o valor zero (Figura 31). Desta forma possvel
obter uma imagem filtrada do esqueleto. possvel observar na Figura32 uma
reduo de rudo, ou seja, foram eliminadas algumas reentrncias situadas nas cristas
afinadas das imagens de impresses digitais.

x 0 1
x 1 0
x 0 1

Figura 31: mscara para limpeza do esqueleto.

Figura 32: (a) Imagem Original; (b) Imagem filtrada aps thinning ; (c) Imagem aps aplicao
do filtro para limpeza do esqueleto.

Neste captulo foram descritas as principais tcnicas de pr-processamento
visando a otimizao na qualidade das imagens de impresses digitais. Tambm foi
abordada uma breve introduo sobre processamento pontual e processamento de
rea permitindo focar o conceito de vizinhana de pixels.
Dentre as tcnicas apresentadas para pr-processamento de imagens, foram
apresentadas o filtro de contraste e posteriormente foram descritas algumas
operaes morfolgicas como a binarizao ou limiar (threshold), o afinamento
(thinning) e um filtro para limpeza do esqueleto.
Tais tcnicas foram abordadas neste captulo, pois sero utilizadas nas fases
subseqentes de classificao e verificao.

4. CLASSIFICAO E VERIFICAO DE IMPRESSES
DIGITAIS
A classificao e verificao (comparao) so duas funes primrias
requeridas em um processamento para reconhecimento de impresses digitais. A
classificao feita baseada em macro-aspectos ou caractersticas das cristas. Desta
forma as impresses digitais so agrupadas de acordo com sua configurao
geomtrica.
A meta da classificao assegurar que uma dada impresso digital pertena
a uma classe especfica de acordo com suas propriedades geomtricas.
A classificao pode ser feita em dois nveis:
Bruto: as impresses digitais so distribudas em cinco classes
22
, como proposto
pelo sistema de Henry (Henry, 1905). Na classificao bruta, no possvel
identificar uma impresso digital, somente possvel afirmar se duas impresses
podem ser comparadas, uma vez que fazem parte da mesma classe. Por exemplo,
uma imagem de presilha direita ser comparada somente com outra imagem de
presilha direita do banco de dados (Chapel et al., 1941), (Cowger, 1983), (Lin et
al., 1982a), (Lin et al., 1982b). Nesta pr-classificao otimiza-se a proporo de
imagens a serem comparadas no nvel refinado (Jain et al., 1999), (Capelli et al.,
1999). Manualmente possvel fazer esta classificao com relativa facilidade,
entretanto em sistemas automticos o problema torna-se mais complexo, pois so
consideradas as direes das cristas, bem como sua conectividade local para
tomada de decises (Karu et al., 1996).

Refinado: neste nvel a comparao das impresses digitais baseada nos
aspectos de Galton
23
(cristas finais e cristas bifurcadas) (Hong et al., 1998a). Para
evitar problemas de translao e rotao referentes s impresses digitais de
entrada, pode-se usar os pontos singulares (ncleos e deltas) como pontos de
registro. Em seguida faz-se a extrao e comparao de mincias.

22
Classes: as cinco classes abordadas no sistema de Henry podem ser vistas com detalhes no item
2.4.2.
23
Os aspectos ou detalhes de Galton podem ser vistos detalhadamente no item 2.4.3.

Geralmente a classificao de impresses digitais executada dentro da
estrutura especificada por Henry, tambm conhecida como classificao bruta. As
propriedades geomtricas definem a classe de uma imagem de impresso digital. Na
etapa de verificao faz-se a classificao refinada tomando-se as cristas finais e
cristas bifurcadas como aspectos essenciais para confrontar duas imagens de
impresses digitais.

4.1 Etapas da Classificao
Neste item so abordadas as principais etapas para classificao de imagens
de impresso digital, como por exemplo, o clculo da imagem direcional, a
suavizao do mapa direcional e o clculo do ndice de Poincar, visando extrair os
pontos singulares como proposto no sistema de Henry.

4.1.1 Clculo da imagem direcional
A imagem direcional fornece informaes contidas nos padres de
impresses digitais e pode ser seguramente calculada em imagens ruidosas, j que
basta tomar a mdia das direes para atenuar a influncia dos rudos. Por esta razo,
a maioria dos mtodos de classificao utilizam a imagem direcional (Karu et al.,
1996), (Cappelli et al., 1999), (Ratha et al., 1996).
Cristas finais e bifurcaes so os
aspectos estruturais mais comuns extrados
de imagens de impresses digitais de
entrada em nvel cinza. Cada um destes dois
tipos de mincias tem normalmente trs
atributos: a coordenada x, a coordenada y e
a direo da crista local ( ) (Xiao et al.,
1991a), (Hong et al., 1996), (Hong et al.,
1998b), (Ratha et al., 1996), (Figura 33).

Figura 33: Componentes das mincias.

So apresentados a seguir dois mtodos descritos na literatura para calcular a
imagem direcional. O primeiro mtodo proposto por (Stock et al., 1969), (Karu et al.,

1996), (Wilson et al., 1994), calcula a direo de um pixel usando uma mscara 9x9
centrada no pixel de interesse (Figura 34).

Figura 34: Mscara 9X9 usada para calcular a somatria das linhas.

Os valores em 8 direes (nas posies identificadas pelos nmeros 0, 1,
2,...7) so somados para obter as grandezas S0, S1, S2,...S7. O valor em tons de cinza
da imagem na posio (i, j) definido por I (i, j). Desta forma a somatria Si, (S0,
S1, S2,......, Sn) nesta posio calculada pelas equaes (2 a 9):

=
+ =
2
2
) , ( ) 2 , ( ) 0 (
K
j i I K j i I S
(2)
=
+ =
2
2
) , ( ) 2 , ( ) 1 (
K
j i I K j K i I S
(3)
=
+ =
2
2
) , ( ) 2 , 2 ( ) 2 (
K
j i I K j K i I S
(4)
=
+ =
2
2
) , ( ) , 2 ( ) 3 (
K
j i I K j K i I S
(5)

=
+ =
2
2
) , ( ) , 2 ( ) 4 (
K
j i I j K i I S
(6)
=
+ + =
2
2
) , ( ) , 2 ( ) 5 (
K
j i I K j K i I S
(7)
=
+ + =
2
2
) , ( ) 2 , 2 ( ) 6 (
K
j i I K j K i I S
(8)

=
+ + =
2
2
) , ( ) 2 , ( ) 7 (
K
j i I K j K i I S
(9)

Obtendo-se estas somatrias, S0, S1, S2,...S7, possvel definir as oito possveis
direes (Figura 35).

Figura 35: Definio das 8 possveis direes.

Dado 0!p, q!7 so ndices dados na equao (10):

(10)

Sp = min Si
i=0...7
Sq = max Si
i=0...7

Em uma imagem de impresso digital as cristas so consideradas mais
escuras e os vales mais claros, ou seja, quanto mais saliente for um ponto na
impresso digital mais escuro ser o pixel correspondente.
A direo (d) ser p se o pixel central est localizado na crista (rea escura), e
q se o pixel central estiver localizado no vale (rea clara).
Se o pixel central tem valor C, ento suas direes so dadas pela equao
(11):

O clculo da equao (11), fornece a direo de cada pixel dentro das 8
direes possveis e este mesmo mtodo pode ser utilizado para o clculo de 16
direes (Ratha et al., 1995). Neste caso toma-se uma mscara 17x17. Obtendo-se
estas somatrias S0, S1, S2,...S15, possvel definir as 16 possveis direes.
Um segundo mtodo foi proposto por (Mehtre et al., 1987). Esse mtodo
refere-se somatria das diferenas de valores cinza em uma regio local. A direo
D(i, j) calculada no ponto (i,j). Primeiramente calcula-se Sd dado pela equao
(12):

(12)

Onde f(i, j) so valores cinza dos pixels (i, j), (ik, jk) so valores cinza dos
pixels na direo d, n o nmero de pixels escolhidos para o clculo e N o nmero
de direes usadas.
A direo D(i, j) no ponto (i, j) a direo para qual Sd mnimo. Mehtre
(Mehtre et al., 1987), props valores para N=16 e n=8. A variao total dos valores
cinza descritos pela somatria na equao 11 deve ser menor na direo das cristas e
=
=
n
K
jk ik fd j i f Sd
1
| ) , ( ) , ( |
para d =1,...,N

p se ( 4C + Sp + Sq) < 3 " Si
d= 8 i=0..7 (11)

q caso contrrio

maior ao longo das direes da crista ortogonal. Cada pixel da imagem recebe um
valor de direo chamado de mapa direcional (Figura 36)
24
.

Figura 36: (a) Imagem Original, (b) Imagem Direcional.

4.1.2 Suavizao do mapa direcional
So apresentados a seguir dois mtodos para calcular a suavizao do mapa
direcional.
O primeiro mtodo proposto na literatura (Karu et al., 1996) refere-se ao
clculo do seno-cosseno, assim referenciado tambm neste trabalho. As direes
obtidas podem ser suavizadas em uma vizinhana local. Porm h uma dificuldade
na obteno de valores mdios de direo e resultados incorretos foram obtidos ao
calcular simplesmente a mdia em um bloco considerado. Por exemplo, tomando-se
as direes 1 e 179 (graus), cada uma delas quase horizontal, obtm-se uma direo
mdia vertical, ou seja, 90 (graus). A mdia dos cossenos e senos dos ngulos
tambm forneceram resultados incorretos, como por exemplo, para as mesmas
direes, 1 e 179 (graus), os vetores (cosseno, seno) so (0,999847; 0,017452) e (-
0,.999847; 0,017452), cuja mdia a vertical (0; 0,017452). Entretanto, bons
resultados so obtidos dobrando-se os ngulos e ento calculando cossenos e senos.
Usando este mtodo, para 1 e 179 (graus) segue (0,999391; 0,034900) e (0,999391;
- 0,034900), cuja mdia a horizontal (0,.999391; 0). Desta forma apresenta-se um

24
A Figura 36 foi extrada do artigo Adaptive Flow Orientation-Based Feature Extraction in
Fingerprint Images referenciado neste trabalho por (Ratha et al., 1995).

vetor unitrio na direo v = (cos 2; sin 2). Neste trabalho foi implementado este
filtro direcional, com o intuito de obter um mapa direcional visando a classificao
automtica (Figura 37).

Figura 37: Suavizao utilizando seno-cosseno.

As direes obtidas tambm podem ser suavizadas em uma vizinhana local
utilizando o clculo estatstico da Moda neste processo.
Por este processo divide-se a imagem em blocos onde sero considerados os
vizinhos para estabelecer um valor mdio de direo. Para suavizar este mapa
direcional, basta considerar a direo que aparece com maior freqncia, ou seja,
analisa-se em uma vizinhana qual a direo que mais ocorre e ento se atribui ao
bloco em questo. Este conceito pode ser visualizado melhor na Figura 38.

Figura 38: Matriz 1 , original com as matrizes direcionais, subdivida em quatro sub-matrizes de
3x3; matriz 2, aps aplicao do mtodo Moda, indicando a suavizao obtida para cada sub-
matriz.

possvel observar o mapa direcional gerado aps a aplicao da suavizao
atravs do mtodo estatstico proposto, a Moda. A Figura 39 mostra o resultado
obtido para a mesma imagem original utilizada na Figura 37.

Figura 39: Suavizao utilizando a Moda.

4.1.3 Classificao atravs do ndice de Poincar
Em impresses digitais os pontos singulares de interesse so ncleos e deltas,
como j mencionados no item 2.4.1 (Srinivasan et al., 1992), (Jain et al., 1999). O
pixel na imagem direcional classificado como ordinrio, ncleo ou delta pelo
clculo do ndice de Poincar, [Kawagoe 1984], [Ratha 1996]. O ndice de Poincar
uma pequena curva fechada em torno de um pixel calculado pela somatria das
mudanas dos ngulos direcionais em torno desta curva. Ao completar uma volta no
sentido anti-horrio, observa-se que o ngulo direcional se fixa em 0 (graus), +180
(graus) ou 180 (graus), durante este ciclo.
Um pixel chamado ordinrio se o ngulo est fixado em 0 (graus); ncleo,
se fixado em +180 (graus) e delta, se fixado em 180 (graus) (Figura 40).
Calcula-se a diferena entre dois ngulos no sentido anti-horrio
considerando uma vizinhana 2x2. importante ressaltar que o mdulo no pode ser
maior que 90 (graus). Se o resultado for maior que 90 (graus) analisa-se o sinal.
Quando o resultado do clculo for negativo, basta adicionar +180 (graus) e quando
for positivo soma-se 180 (graus). Desta forma, o resultado desta diferena estar
sempre localizado no primeiro quadrante, ou seja, a diferena sempre ser menor que
90 (graus). Aps a localizao de ncleos e deltas, a imagem da impresso digital

classificada baseada no nmero e localizao destes pontos (Chang, 1980),
(Kawagoe et al., 1984).

Figura 40: Clculo do ndice de Poincar aps suavizao do mapa direcional.

O fluxograma ilustrado na Figura 41 apresenta o resultado das imagens de
impresses digitais distribudas nas cinco classes propostas por Henry
25
. possvel
observar que a classe arco plano no contm ncleos e deltas; presilhas e arco
angular possuem 1 ncleo e 1 delta; verticilos possuem 2 ncleos e 2 deltas. No
fluxograma cita-se o termo lao que pode ser entendido como o incio das linhas em
um lado da imagem de impresso digital, estendendo-se at a rea central onde est

25
As cinco classes abordadas no sistema de Henry podem ser vistas com detalhes no item 2.4.2.

localizado o ncleo e retornando para o mesmo lado onde teve incio. Percebe-se no
fluxograma que a classe arco angular no possui lao, ou seja, o delta e o ncleo so
perpendiculares. Nas imagens de presilha esquerda, as cristas formam-se do lado
direito, se estendem at a regio nuclear e tendem a voltar para o lado direito. Nas
imagens de presilha direita ocorre exatamente o contrrio, ou seja, as cristas iniciam
do lado esquerdo, se prolongam at a regio nuclear e tendem a voltar para o lado
esquerdo.

Figura 41: Diagrama de Blocos do Algoritmo de Classificao.

possvel diferenciar a classe presilha da classe arco angular pela conexo
direta de ncleos e deltas. Na classe arco angular, a orientao da linha est definida
ao longo dos vetores direcionais locais, enquanto que na classe presilha, a linha cruza
transversalmente direes locais (Figura 42).

Figura 42: Diferena de ngulos entre a classe Arco Angular e Presilha Esquerda,
respectivamente.

A inclinao da reta representada por , conecta ncleos e deltas. So dados
1, 2,...,n representando os ngulos de direo local deste segmento de linha e
define-se cl como classe, dada na equao (13). Se a somatria mdia menor que
um threshold
26
cujo valor estimado empiricamente, ento a imagem classificada
como arco angular, caso contrrio a imagem definida como presilha.

(13)

Esta diferenciao pode ser simplificada, caso o ngulo formado entre o
ponto ncleo e o ponto delta estiver entre 80
o
e 100
o
(graus), a imagem considerada
arco angular. Caso o ngulo formado por estes pontos seja menor que 80
o
(graus) ou
maior que 100
o
(graus), tem-se ento a imagem de uma presilha.

26
A operao threshold, tambm conhecida como binarizao ou limiar, pode ser vista
detalhadamente no item 3.3.1.
1 " sin (i - )
n i=1..n
cl =

Para distinguir presilha direita de presilha esquerda, observa-se a posio
relativa do delta a partir do ncleo (Figura 43). Se o ponto delta estiver esquerda
significa que a presilha esquerda, se o delta estiver direita tem-se uma imagem de
presilha direita. Sendo C o ncleo e D o delta, segue-se em direo ao limite da
imagem no ponto B, e faz-se a distino entre presilhas, dada a equao (14):

Figura 43: (a) Presilha Direita; (b) Presilha Esquerda.

Em outras palavras, se o ngulo formado entre o ponto ncleo e o ponto delta
for menor que 80
o
(graus), o delta est localizado esquerda ento a imagem
considerada presilha esquerda. Se o ngulo formado por estes pontos for maior que
100
o
(graus), o delta est localizado direita e, portanto, a imagem considerada
uma presilha direita.

4.2 Etapas da Verificao
Como mencionado anteriormente no item 2.4.3, as mincias ou pontos
caractersticos so os aspectos considerados na verificao e definem a unicidade de
cada impresso digital (Kawashima et al., 1984), (Xiao et al., 1986), (Maio et al.,
1997), (Abutaleb et al., 1999). Para extrao e comparao automtica de aspectos, o
direita se (Bi Ci) (Dj Cj) (Bj Cj) (Di Ci) > 0,
presilha (14)

esquerda caso contrrio,

conjunto de mincias de interesse se restringe a dois tipos: cristas finais e cristas
bifurcadas. Estas mincias so extradas e comparadas com mincias de impresses
digitais armazenadas em um banco de dados. O estgio de comparao faz uso da
posio, nmero, tipo de mincias e algumas vezes da orientao (Xiao et al., 1986),
(Eleccion, 1973), (Ratha et al., 1995). A impresso digital de entrada ser comparada
somente com um subconjunto de impresses do banco de dados, ou seja, a
informao da classe usada para restringir o nmero de impresses digitais do
banco de dados a ser comparada (Ratha et al., 1996).
Os sistemas clssicos de verificao de impresses digitais automticos
efetuam basicamente as seguintes operaes: obteno das direes
27
, a binarizao
ou limiar
28
(threshold), o afinamento
29
(thinning), a extrao e a comparao de
mincias, como mostrado na Figura 44.

Figura 44: Algoritmo de extrao de mincias.

Nos itens 4.2.1 e 4.2.2 so abordadas as principais etapas para verificao,
como por exemplo, a extrao e comparao de mincias visando extrair os pontos

27
Para obteno das direes foi detalhado no item 4.1.1 o clculo da imagem direcional.
28
Binarizao ou limiar pode ser visto detalhadamente no item 3.3.1.
29
O afinamento, tambm conhecido por thinning, foi detalhado no item 3.3.2.
Imagem Entrada
Imagem Direcional Imagem Binria Afinamento
Extrao Mincias

caractersticos, referidos tambm como aspectos utilizados no confronto de imagens
de impresses digitais.

4.2.1 Extrao de aspectos
Existem dois tipos de aspectos que podem ser extrados de imagens de
impresses digitais: aspectos globais (ncleos e deltas) ou aspectos locais (cristas
finais e cristas bifurcadas). Os pontos singulares, ncleos e deltas, podem ser
detectados do bloco de direo nas etapas de classificao como citado no item 4.1.
Para localizar as cristas finais e cristas bifurcadas h necessidade de seguir as
linhas do esqueleto na imagem. Neste conjunto de pixels so encontradas
caractersticas, denominadas mincias, que so usadas para a verificao. O conceito
de Crossing Number (Baja, 1984), (Tamura, 1978), (Ratha et al., 1995), (Mehtre,
1993) muito usado para deteco destes aspectos ou mincias e determinam as
propriedades de um pixel simplesmente contando o nmero de transies preto e
branco existentes nas 8-vizinhanas
30
do pixel que est sendo processado. O
Crossing Number (CN) de um ponto P dado pela equao (15):

CN = 0.5 " | P
i
P
i +1
| (15)

Onde Pi o valor do pixel na vizinhana P.
Pi = (0 ou 1) e i um ciclo (perodo 8), isto P9 = P1.

Para um pixel P, considera-se os 8 vizinhos em uma vizinhana 3x3, sendo
que cada qual pode ter valores diferentes (1 ou 0) (TABELA 4).

TABELA 4: MSCARA PARA O CLCULO DO CROSSI NG NUMBER.

P4 P3 P2
P5 P P1
P6 P7 P8

30
O conceito de vizinhana 8 foi abordado no item 3.1.

Pontos finais e pontos bifurcados so detectados usando propriedades de CN.
O valor obtido (CN) indica a propriedade do pixel (TABELA 5).

TABELA 5: PROPRIEDADES DO PI XEL (CN).

Crossing Number
(propriedades)
Mincias

0 Ponto isolado
1 Ponto final
2 Ponto contnuo
3 Ponto bifurcado
4 Ponto cruzamento

Desta forma, se o resultado for 1 obtm-se um ponto final e se o resultado for
3 um ponto bifurcado, correspondente s cristas finais e s cristas bifurcadas,
considerando os pontos de interesse para verificao. Estes pontos so relatados em
uma lista e marcados na imagem para posterior comparao (Figura 45). Assumindo-
se duas imagens de mesmo tamanho, cujas aquisies foram feitas sob mesma
condio de presso, sem influncia de rotao e translao, faz-se o clculo do
Crossing Number at que seja satisfeita a condio de similaridade descrita no item
4.2.2 (Xiao et al., 1991b), (Rao, 1976), (Asai et al., 1975), (Wahab et al., 1998).

Figura 45: (a) Imagem Original, (b) Extrao de mincias correspondentes s cristas finais e s
cristas bifurcadas.

4.2.2 Comparao de mincias (Matching)
Uma dada impresso digital comparada com todas as impresses digitais da
sua respectiva classe, desta forma possvel diminuir o tempo de processamento e
aumentar a preciso na comparao e reconhecimento.
Os sistemas biomtricos automticos disponveis no mercado consideram
vrias informaes como, por exemplo, a posio, o tipo, a orientao e a distncia
entre as mincias visando otimizar o desempenho na fase de verificao.
Neste trabalho, o algoritmo implementado para verificao considera a
posio (x, y) e o tipo de mincia (crista final ou bifurcao). Desta forma, duas
imagens so coincidentes quando localizadas na mesma posio e pertencerem ao
mesmo tipo. Para os sistemas biomtricos comerciais, o desempenho deve ser
considerado. Este desempenho pode ser categorizado por duas medidas, a taxa de
falsa aceitao (FAR) e a taxa de falsa rejeio (FRR), abordadas no item 4.2.3.

4.2.3 FAR (False Acceptance Rate) x FRR (False Reject Rate)
Devido s variaes das caractersticas, a verificao medida por um valor
de threshold estabelecido pelos fabricantes dos dispositivos. A deciso feita por um
sistema biomtrico afirma que um indivduo aceito como verdadeiro ou como
impostor. Entretanto, para cada deciso h duas possveis sadas, totalizando quatro
possibilidades:
a) Indivduo verdadeiro aceito,
b) Indivduo verdadeiro rejeitado,
c) Impostor rejeitado,
d) Impostor aceito.
Para avaliar a porcentagem de acerto em um algoritmo de verificao, basta
tomar o conjunto total das amostras de validao apresentadas entrada (100%) e
saber quantos indivduos verdadeiros foram rejeitados e quantos impostores foram
aceitos. As taxas de erro so, portanto definidas como segue:
FAR (False Acceptance Rate): trata-se da taxa de falsa aceitao definida como a
probabilidade do impostor ser aceito como indivduo verdadeiro. Refere-se a
situao onde o sistema biomtrico verifica erroneamente a legitimidade do

indivduo, ou seja, representa a porcentagem de usurios no autorizados que so
incorretamente identificados como usurios vlidos e, portanto, aceitos pelo
sistema.
FRR (False Reject Rate): trata-se da taxa de falsa rejeio definida como a
probabilidade do indivduo verdadeiro ser rejeitado como impostor, ou seja,
representa a porcentagem de usurios autorizados que so incorretamente
rejeitados pelo sistema.
FAR e FRR so dependentes uma da outra. Muitos sistemas podem ser
configurados para fornecer deteco sensvel, ou seja, baixa taxa FAR e alta FRR.
Caso contrrio, os sistemas podem fornecer deteco fraca, ou seja, baixa taxa FRR e
alta FAR. Uma pequena FRR usualmente conduz a uma alta FAR e vice-versa.
Geralmente o desempenho de um sistema especificado em termos de FAR
(Newham, 1995), (Hong et al., 1998a), (Roddy et al., 1997). O nmero de mincias
que sero comparadas dependente do nvel de segurana especificado. Quanto
maior o nvel de segurana, maior o nmero de mincias que devem ser comparadas
tornando a verificao mais difcil. Quando sistemas biomtricos so comparados,
baixas taxas FAR so importantes em situaes onde segurana prioridade.
Considerando que baixas taxas FRR sejam mais importantes, ento convenincia e
facilidade de uso tida como prioridade (Figura 46).

Figura 46: taxas FAR e FRR estabelecidas por um valor de Threshold.

A medida crtica destes sistemas conhecida como taxa de cruzamento
(crossover rate), ou seja, o ponto onde as taxas FAR e FRR se cruzam (Figura 47).

Figura 47: FAR, FRR e taxa de cruzamento.

Neste trabalho, o principal objetivo est direcionado ao estudo das tcnicas e
mtodos utilizados para a verificao, descartando a possibilidade de
desenvolvimento de um sistema biomtrico comercial. Por este motivo no foram
levantadas as taxas FAR e FRR, obtendo-se somente a porcentagem de pontos
comparados ao final desta etapa.

Neste captulo foram apresentadas as principais etapas destinadas
classificao e verificao de imagens de impresses digitais. Muitos autores
propem a utilizao da imagem direcional, pois para atenuar efeitos de rudo basta
tomar a mdia das direes (Karu et al., 1996), (Cappelli et al., 1999), (Ratha et al.,
1996). A suavizao do mapa direcional pode ser obtida de duas formas, ou seja,
atravs do clculo de seno-cosseno ou utilizando o clculo da Moda como proposto
neste trabalho. Finalmente possvel classificar uma imagem atravs do clculo do
ndice de Poincar. O nmero e localizao dos pontos singulares encontrados em

uma imagem fornecem informaes que permitem afirmar a qual classe esta
impresso digital pertence.
Tambm foram descritas as principais etapas que constituem um sistema
AFIS de verificao. importante lembrar que os sistemas comerciais disponveis no
mercado executam a verificao ou autenticao. Isso significa que impresses
digitais so comparadas com templates cadastrados em bancos de dados (comparao
1:1), cuja busca feita em uma populao conhecida. As mincias ou pontos
caractersticos so aspectos considerados na verificao e definem a unicidade de
cada impresso digital. Parmetros como posio e tipo de mincia so considerados
para confronto. Dentre as etapas apresentadas em um AFIS esto a aplicao da
binarizao ou limiar, o afinamento e o filtro para limpeza do esqueleto citadas neste
trabalho como etapas de pr-processamento e abordados detalhadamente no captulo
3. As etapas complementares para a verificao, ou seja, a extrao de mincias e a
comparao foram abordadas neste captulo.
importante ressaltar que o intuito deste trabalho no desenvolver um
dispositivo biomtrico comercial, portanto no foram analisadas as taxas FAR e
FRR. Estas taxas so utilizadas para medir o desempenho de sistemas biomtricos
comerciais. FAR e FRR so diretamente dependentes, ou seja, estabelecer alto nvel
de segurana para um sistema significa impor uma baixa taxa FAR. Caso contrrio,
estabelecida a convenincia e facilidade de uso, portanto impe-se uma baixa taxa
FRR.

5. METODOLOGIA E DISCUSSO DOS RESULTADOS
A proposta deste trabalho implementar um algoritmo para classificao e
verificao automtica de impresses digitais. Para a sua implementao dividiu-se o
trabalho em duas partes visando analisar as etapas utilizadas para a classificao e
para a verificao.
No algoritmo de classificao foram implementados em linguagem C++, o
filtro para aplicao do contraste, o clculo e a suavizao da imagem direcional e o
ndice de Poincar que permitem localizar os pontos de interesse. O programa
desenvolvido para classificao de impresses digitais pode ser facilmente
manipulado por um usurio que tenha conhecimentos bsicos de dactiloscopia, ou
seja, consiga identificar as cinco classes
31
apresentadas neste trabalho. As imagens
devem ser em tons de cinza, tamanho 256x256 pixels, formato bitmap. Assim
desenvolveu-se uma biblioteca denominada sbitmap
32
com as vrias funes que
tornam o programa mais flexvel. Por exemplo, a escolha das grades para contraste e
suavizao pode ser definida pelo usurio. Para calcular a imagem direcional, pode-
se optar por 8 ou 16 direes e para realizar a mdia possvel escolher o tamanho
da grade que varia de 8 a 12. Desta forma foi possvel comparar os resultados obtidos
empiricamente. As imagens adquiridas pela internet dos trs bancos de dados
33

citados foram utilizadas como ferramenta de auxlio para validao do algoritmo e
fez-se o levantamento da porcentagem de imagens que foram classificadas
automaticamente. Os resultados obtidos em cada uma das etapas de classificao so
discutidos no item 5.1.
Na fase de verificao foram implementadas as principais tcnicas de pr-
processamento de imagens como, por exemplo, a binarizao ou limiar, o
afinamento, o filtro para a limpeza do esqueleto, a extrao e comparao de
mincias. Neste trabalho, as etapas da verificao foram implementadas com o
auxlio do Matlab (URL6). As imagens de entrada devem ser em tons de cinza no
importando o tamanho, pois foi utilizada uma funo que redimensiona a imagem

31
As classes propostas por Henry podem ser vistas no item 2.4.2.
32
Sbitmap trata-se de uma biblioteca proprietria onde foram desenvolvidas todas as funes
utilizadas na fase de classificao de impresses digitais.
33
Os trs bancos de dados utilizados neste trabalho so o NIST Special Database4 fornecido pelo FBI
(URL3), o Fingdb e o DsPamidb fornecidos pelo Biometric Systems Lab (URL4).

para o tamanho especificado, neste caso 200x200. As etapas destinadas verificao
devem ser executadas seqencialmente visando obter ao final do processo a
porcentagem de pontos comparados. A anlise destas etapas bem como os resultados
obtidos sero discutidos no item 5.2.

5.1. Etapas da Classificao
As principais etapas destinadas classificao de imagens de impresses
digitais: o clculo da imagem direcional, a suavizao do mapa direcional obtido e o
clculo do ndice de Poincar, apresentadas no item 4.1 so detalhados a seguir. No
programa desenvolvido para a classificao neste trabalho tambm possvel aplicar
adicionalmente s etapas acima descritas o filtro de contraste, ou seja, uma tcnica de
pr-processamento abordada no item 3.2.

5.1.1 Aplicao da imagem direcional
O clculo da imagem direcional foi implementado neste trabalho como
proposto no item 4.1.1. Este mtodo prope o uso de uma mscara centrada no pixel
de interesse visando obter o mapa direcional das imagens de impresso digital. Na
literatura alguns autores utilizam 8 direes, outros propem o uso de 16 direes
(Stock et al., 1969), (Karu et al., 1996), (Wilson et al., 1994). Neste trabalho, o
programa implementado permite ao usurio optar pelo uso de 8 ou 16 direes. Desta
forma possvel comparar os mapas direcionais gerados, analisando qual dos mapas
oferece uma melhor resoluo direcional, ou seja, qual dos dois mapas possui as
direes melhores definidas com relao imagem de entrada. Foram realizados os
testes para 8 e 16 direes que so discutidos no item 5.1.5 onde so apresentadas as
anlises dos bancos de dados propostos.

5.1.2 Aplicao da suavizao do mapa direcional
A suavizao do mapa direcional pode ser obtida por dois mtodos: o mtodo
do seno-cosseno proposto na literatura (Karu et al., 1996) ou atravs do clculo
estatstico da Moda conforme descrito no item 4.1.2.

Neste trabalho os resultados a serem enfatizados esto relacionados mdia
da imagem direcional. Considerando um bloco, utiliza-se o clculo do seno-cosseno
para fazer a mdia das direes. possvel melhorar a complexidade de clculo da
mdia, utilizando um clculo estatstico, referenciado neste trabalho como o clculo
da Moda onde se atribui ao bloco considerado a direo que ocorre com maior
freqncia. Nas figuras 48 e 49 so apresentadas as imagens direcionais usando os
mtodos seno-cosseno e Moda, respectivamente implementados no algoritmo de
classificao. Em ambas as aplicaes foram consideradas 8 direes e uma grade
8x8 para fazer a mdia do bloco tornando possvel a obteno de um mapa direcional
suavizado.

Figura 48: Suavizao do mapa direcional usando seno e cosseno.

Figura 49: Suavizao do mapa direcional usando a moda.

possvel observar que o mapa suavizado pelo mtodo da Moda fornece um
melhor mapa direcional. Sobrepondo-se a imagem direcional original, constata-se
que as direes apresentam menos distores no mapa direcional gerado pelo mtodo
estatstico da Moda (Figura 50). Os resultados so relatados no item 5.1.5 onde
possvel verificar o nmero de imagens que foram classificadas automaticamente
quando utilizados ambos os mtodos de suavizao.

Figura 50: Mapa Direcional - (a) Moda, (b) seno-cosseno.

5.1.3 Aplicao do ndice de Poincar
O clculo do ndice de Poincar permite localizar os pontos singulares
34
, ou
seja, os ncleos e os deltas utilizados para a classificao de imagens de impresses
digitais. O clculo do ndice de Poincar foi detalhado no item 4.1.3.
O programa destinado classificao implementado neste trabalho permite a
seleo de pontos falsos utilizando tal ferramenta, caso apaream, e gera um relatrio
especificando qual a classe da impresso digital, quantos pontos ncleos, deltas e
ordinrios foram encontrados e mensagem de erro caso no consiga fazer a
classificao automaticamente. Isto significa que o programa permite fazer a
classificao semi-automtica, ou seja, na ocorrncia de pontos falsos detectados, o
usurio pode manualmente com o mouse
35
selecionar estes pontos para que sejam

34
Os pontos singulares considerados imprescindveis na classificao so os ncleos e os deltas
apresentados no item 2.4.1.
35
Mouse: Dispositivo de entrada de dados do tipo apontador.

desconsiderados e ento classificar a imagem novamente. Uma caracterstica muito
importante nesta implementao trata-se da cor atribuda aos pontos ncleos, aos
deltas e aos ordinrios. Como apresentado no ndice de Poincar, a classificao
feita baseada no nmero e localizao dos pontos ncleos e deltas. Desta forma, o
programa implementado faz a diferenciao de cores no mapa direcional gerado para
que o usurio possa visualizar estes pontos e desconsider-los se for o caso. Assim,
os pontos ordinrios so marcados pela cor vermelha representando a maioria dos
pontos encontrados no mapa direcional; os ncleos so marcados na cor verde e os
deltas na cor azul.
Alguns testes empricos foram realizados com a finalidade de estabelecer
critrios para otimizao do programa desenvolvido, visando um aumento percentual
na classificao automtica. Desta forma, seguem os critrios considerados,
respectivamente, implementados no algoritmo:
! As imagens devem apresentar pontos singulares (ncleos e deltas),
imprescindveis para classificao,
! Na ocorrncia de pontos vizinhos como, por exemplo, ncleo e delta pertencentes
vizinhana 4 e ou 8
36
, ambos os pontos sero desconsiderados,
! Na ocorrncia de trs pontos vizinhos como, por exemplo, ncleo-ncleo-delta
ou ncleo-delta-delta, pertencentes vizinhana 4 e ou 8, ser mantido um nico
ponto que se repete e os outros dois sero desconsiderados,
! Na ocorrncia de mais de trs pontos ncleo e delta vizinhos, seja vizinhana 4 e
ou 8, todos sero desconsiderados,
! Pontos localizados na 1 borda sero desconsiderados.

Analisados os critrios, finaliza-se esta etapa. Foram, portanto relatados os
ndices abaixo:
! Nmero de imagens classificadas automaticamente,
! Nmero de pontos falsos que no foram identificados pelos critrios acima. Estes
pontos devem ser desconsiderados manualmente para posterior classificao.

36
O conceito de vizinhana foi abordado no item 3.1 quando abordado o processamento de rea.

5.1.4 Apresentao e comentrios sobre o programa de classificao
Este item tem a finalidade de expor o programa de classificao
implementado neste trabalho. Como j mencionado, as etapas da classificao so o
clculo da imagem direcional, a suavizao do mapa direcional obtido e o clculo do
ndice de Poincar.
Tambm foi implementado um filtro de contraste, abordado no item 3.2,
visando otimizar a qualidade da imagem em uma fase de pr-processamento.
possvel observar no fluxograma (Figura 51) as etapas implementadas neste trabalho
destinados verificao de imagens de impresses digitais.

Figura 51: fluxograma das etapas implementadas para a classificao.

Inicia-se o programa carregando uma imagem bitmap
37
, em tons de cinza,
tamanho 256x256 pixels. possvel observar a interface grfica na Figura 52. Nesta
tela inicial do programa possvel optar ou no pela aplicao do contraste. Caso
desejar a aplicao do filtro de contraste
38
, escolhe-se um tamanho de grade, uma vez
que esta operao realizada com base nos pixels de uma vizinhana
39
. Aps a
escolha do tamanho da grade basta pressionar o boto Aplicar Contraste.

Figura 52: Interface grfica - abrir imagem bitmap e filtro de contraste.

O passo seguinte gera os mapas direcionais, um deles utilizando o mtodo
seno-cosseno e outro a Moda (Figura 53). Como mencionado nos itens 5.1.1 e 5.1.2,
o usurio pode optar pelo uso de 8 ou de 16 direes. Tambm possvel escolher
um tamanho de grade para fazer a suavizao. No possvel sugerir aqui se o
usurio deve utilizar 8 ou 16 direes e qual o melhor tamanho de grade. Esta
resposta obtida empiricamente porque depende da qualidade das imagens
utilizadas. Por este motivo foram deixados os dois mapas disponveis visando
comparar a eficincia de ambos os mtodos.

37
38
O filtro de contraste pode ser visto no item 3.2.
39

Figura 53: Interface grfica - (a) mapa direcional por seno-cosseno, (b) mapa direcional por
moda.

Na etapa final do programa, possvel escolher o mapa direcional que ser
utilizado para a classificao. Nesta tela do programa tem-se como opo o mapa
suavizado pelo mtodo seno-cosseno
40
e o mapa gerado atravs do clculo da
Moda
41
. Nesta etapa, seleciona-se o mapa direcional escolhido, pressiona-se o boto
processar e a classificao da imagem de impresso digital feita utilizando o
ndice de Poincar. Observa-se que pontos de interesse esto destacados em cores
distintas: verde para os ncleos, azul para os deltas e vermelho para os pontos
ordinrios como descritos na legenda desta tela mostrada na Figura 54. No caso da
classificao automtica, possvel observar na imagem de impresso digital uma
linha contnua de cor preta que conecta o ncleo e o delta encontrado. Caso no seja
possvel a classificao automtica, os pontos de interesse esto destacados em cores
distintas como j citado, de forma que estes pontos possam ser selecionados pelo
usurio para posterior classificao.

40
O mtodo seno-cosseno foi detalhado no item 4.1.2 do captulo 4.
41
O mtodo estatstico referenciado neste trabalho como Moda e foi abordado no item 4.1.2
juntamente com o mtodo seno-cosseno.

Observe o relatrio gerado pelo programa mostrado na Figura 55, onde o
ndice de Poincar fornece o nmero de ncleos, deltas e pontos ordinrios
encontrados na imagem.

Figura 54: Interface final aps classificao.

Figura 55: Relatrio gerado pelo programa aps classificao.

5.1.5 Anlise dos bancos de dados propostos
So apresentados a seguir os resultados obtidos para a classificao das
imagens de impresses digitais atravs do algoritmo implementado mediante testes

aplicados aos bancos de dados citados neste trabalho: DSPAMI (TABELA 6),
NISTDB (TABELA 7), FINGDB (TABELA 8).
Na TABELA 6 so apresentados os resultados da classificao de impresses
digitais do banco de dados DSPAMI (URL4), identificando quantas imagens so
classificadas automaticamente em funo do nmero de direes (8 ou 16), do tipo
de suavizao (Moda ou seno-cosseno) e tamanho da grade selecionada.

TABELA 6: RESULTADOS DA CLASSIFICAO DSPAMI.

Banco de Dados DSPAMI
Este banco de dados possui 14 imagens classificadas como sendo 3 arcos planos, 2 arcos
angular, 2 presilhas direita, 4 presilhas esquerda, 3 verticilos.
MODA SEN-COS
S
U
A
V
I
Z
A

O
8 direes 16 direes 8 direes 16 direes

G
r
a
d
e
8

8 imagens C.A. sem
contraste;
4 permaneceram C.A.
aps contraste;
1 nova imagem foi C.A.
aps contraste.
12 imagens C.A. sem
contraste;
7 permaneceram C.A.
aps contraste;
aps contraste.
2 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
4 novas imagens
foram C.A. aps
contraste.
3 imagens C.A. sem
contraste;
1 permaneceu C.A.
aps contraste;
Nenhuma imagem foi
C.A. aps contraste.

G
r
a
d
e
10
9 imagens C.A. sem
contraste;
7 permaneceram C.A.
aps contraste;
3 novas imagens
foram C.A. aps
contraste.
11 imagens C.A. sem
contraste;
9 permaneceram C.A.
aps contraste;
aps contraste.
Nenhuma imagem C.A.
sem contraste;

6 novas imagens
foram C.A. aps
contraste.
3 imagens C.A. sem
contraste;
1 permaneceu C.A.
aps contraste;
5 novas imagens
foram C.A. aps
contraste.

G
r
a
d
e
12

10 imagens C.A. sem
contraste;
8 permaneceram C.A.
aps contraste;
aps contraste.
9 imagens C.A. sem
contraste;
7 permaneceram C.A.
aps contraste;
3 novas imagens
foram C.A. aps
contraste.
Nenhuma imagem C.A.
sem contraste;

7 novas imagens
foram C.A. aps
contraste.
8 imagens C.A. sem
contraste;
1 permaneceu C.A.
aps contraste;
2 novas imagens
foram C.A. aps
contraste.
LEGENDA:
C.A. = Classificadas Automaticamente

Observando os resultados apresentados para o banco de dados DSPAMI,
possvel afirmar que:

! Para todos os casos, ou seja, duas opes de direes (8 ou 16) e trs tamanhos
de grade, a Moda foi o melhor mtodo para a suavizao da imagem direcional;

! Para os tamanhos de grade 8 e 10 utilizadas para a suavizao, melhores
resultados foram obtidos para 16 direes quando utilizado o mtodo Moda;

! Para todos os casos onde a Moda foi utilizada, melhores resultados foram obtidos
para imagens originais sem aplicao do filtro de contraste;

! A mdia de pixels a serem apagados, no caso da classificao semi-automtica,
foram 2 quando utilizada a suavizao por Moda e 3 para seno-cosseno;

! Utilizando a Moda, a melhor grade de suavizao foi o tamanho 12 considerando
8 direes, sendo 10 imagens classificadas automaticamente;

! Considerando 16 direes, a melhor grade de suavizao foi o tamanho 8, onde
12 imagens foram classificadas automaticamente utilizando a Moda.

Na TABELA 7, apresentada a seguir, so mostrados os resultados da
classificao de impresses digitais do banco de dados NISTDB (URL3),
identificando quantas imagens so classificadas automaticamente em funo do
nmero de direes (8 ou 16), do tipo de suavizao (Moda ou seno-cosseno) e
tamanho da grade selecionada.

TABELA 7: RESULTADOS DA CLASSIFICAO NISTDB.

Banco de Dados NISTDB
Este banco de dados possui 50 imagens classificadas como sendo 16 arcos planos, 4
arcos angulares, 10 presilhas direita, 13 presilhas esquerda, 7 verticilos.
MODA SEN-COS
S
U
A
V
I
Z
A

O

G
r
a
d
e
8

25 imagens C.A. sem
contraste;
10 permaneceram C.A.
aps contraste;
3 novas imagens
foram C.A. aps
contraste.
16 imagens C.A. sem
contraste;
5 permaneceram C.A.
aps contraste;
2 novas imagens
foram C.A. aps
contraste.
4 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
6 novas imagens
foram C.A. aps
contraste.
1 imagem C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
5 novas imagens
foram C.A. aps
contraste.

G
r
a
d
e
10
28 imagens C.A. sem
contraste;
aps contraste;
9 novas imagens
foram C.A. aps
contraste.
21 imagens C.A. sem
contraste;
9 permaneceram C.A.
aps contraste;
13 novas imagens
foram C.A. aps
contraste.
12 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
9 novas imagens
foram C.A. aps
contraste.
3 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
7 novas imagens
foram C.A. aps
contraste.

G
r
a
d
e
12

33 imagens C.A. sem
contraste;
aps contraste;
8 novas imagens
foram C.A. aps
contraste.
28 imagens C.A. sem
contraste;
aps contraste;
10 novas imagens
foram C.A. aps
contraste.
7 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
8 novas imagens
foram C.A. aps
contraste.
5 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
15 novas imagens
foram C.A. aps
contraste.
LEGENDA:

Observando os resultados apresentados para o banco de dados NISTDB,


! Para todos os tamanhos de grade de suavizao, 8, 10 ou 12, melhores resultados
foram obtidos para 8 direes quando utilizado o mtodo Moda;


foram 2 quando utilizada a suavizao por Moda e 4-5 para seno-cosseno;

! Utilizando a Moda, a melhor grade de suavizao foi 12 considerando 8 direes,
sendo 33 imagens classificadas automaticamente;

! Considerando 16 direes, a melhor grade de suavizao foi o tamanho 12, onde
28 imagens foram classificadas automaticamente utilizando a Moda.

Na TABELA 8, apresentada a seguir, so mostrados os resultados da
classificao de impresses digitais do banco de dados FINGDB (URL4),
identificando quantas imagens so classificadas automaticamente em funo do
nmero de direes (8 ou 16), do tipo de suavizao (Moda ou seno-cosseno) e
tamanho da grade selecionada.

TABELA 8: RESULTADOS DA CLASSIFICAO FINGDB.

Banco de Dados FINGDB
Este banco de dados possui 42 imagens classificadas como sendo 2 arcos planos, 4 arcos
angulares, 16 presilhas direita, 8 presilhas esquerda, 8 verticilos, e 4 anormais.
MODA SEN-COS
S
U
A
V
I
Z
A

O

G
r
a
d
e
8

23 imagens C.A. sem
contraste;
7 permaneceram C.A.
aps contraste;
6 novas imagens
foram C.A. aps
contraste.
19 imagens C.A. sem
contraste;
aps contraste;
10 novas imagens
foram C.A. aps
contraste.
3 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
4 novas imagens
foram C.A. aps
contraste.
5 imagem C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
12 novas imagens
foram C.A. aps
contraste.

G
r
a
d
e
10
27 imagens C.A. sem
contraste;
aps contraste;
4 novas imagens
foram C.A. aps
contraste.
26 imagens C.A. sem
contraste;
aps contraste;
5 novas imagens
foram C.A. aps
contraste.
6 imagens C.A. sem
contraste;
1 imagem
permaneceu C.A. aps
contraste;
13 novas imagens
foram C.A. aps
contraste.
10 imagens C.A. sem
contraste;
2 permaneceram C.A.
aps contraste;
13 novas imagens
foram C.A. aps
contraste.

G
r
a
d
e
12

29 imagens C.A. sem
contraste;
aps contraste;
3 novas imagens
foram C.A. aps
contraste.
29 imagens C.A. sem
contraste;
aps contraste;
2 novas imagens
foram C.A. aps
contraste.
4 imagens C.A. sem
contraste;
Nenhuma imagem
permaneceu C.A. aps
contraste;
4 novas imagens
foram C.A. aps
contraste.
16 imagens C.A. sem
contraste;
5 permaneceram C.A.
aps contraste;
5 novas imagens
foram C.A. aps
contraste.
LEGENDA:

Observando os resultados apresentados para o banco de dados FINGDB,


! Para todos os tamanhos de grade de suavizao, 8, 10 ou 12, melhores resultados
foram obtidos para 8 direes quando utilizado o mtodo Moda;


foram 2 quando utilizada a suavizao por Moda e 3 para seno-cosseno;

! Utilizando a Moda, a melhor grade de suavizao foi o tamanho 12, considerando
ambas direes disponveis, 8 e 16 direes, sendo 29 imagens classificadas
automaticamente;

Os grficos das Figuras 56, 57 e 58 apresentam os resultados da classificao
automtica sem utilizao do filtro de contraste para cada banco de dados testado: o
DSPAMI, o NISTDB e o FINGDB.

moda 8 direes
moda 16 direes
sencos 8 direes
sencos 16 direes
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Banco de Dados - DSPAMI

M
t
o
d
o
s

e

D
i
r
e
e
s
Porcentagem de imagens Classificadas Automaticamente

Figura 56: DSPAMI - porcentagem de imagens classificadas automaticamente para Moda e
Seno-Cosseno.

moda 8 direes
moda 16 direes
sencos 8 direes
sencos 16 direes
0 5 10 15 20 25 30 35 40 45 50 55 60
Banco de Dados - NISTDB
M
t
o
d
o
s

e

D
i
r
e
e
s
Porcentagem de imagens classificadas automaticamente

Figura 57: NISTDB - porcentagem de imagens classificadas automaticamente para Moda e
Seno-Cosseno.
moda 8 direes
moda 16 direes
sencos 8 direes
sencos 16 direes
0 5 10 15 20 25 30 35 40 45 50 55 60 65
Banco de Dados - FINGDB
M
t
o
d
o
s

e

D
i
r
e
e
s
Porcentagem de imagens classificadas automaticamente

Figura 58: FINGDB - porcentagem de imagens classificadas automaticamente para Moda e
Seno-Cosseno.

possvel observar que o mtodo proposto para suavizao do mapa
direcional a Moda propiciou um desempenho muito superior em termos de

obteno de pontos verdadeiros para a classificao automtica comparado ao
mtodo seno-cosseno apresentado na literatura.

5.1.6 Anlise de desempenho do algoritmo de classificao
Para analisar o tempo gasto em cada etapa da classificao foi implementada
uma funo clock que fornece o tempo gasto pelo processador em milisegundos. O
programa foi testado em uma mquina Pentium II 300, 64MB
42
RAM
43
, com sistema
operacional windows
44
. A mdia dos valores gastos em cada etapa da classificao
mostrada na TABELA 9.

TABELA 9: DESEMPENHO DO ALGORITMO DE CLASSIFICAO

Tempo Gasto em milisegundos
Etapas da
Classificao
Moda
8 direes
Moda
16 direes
Seno-Cosseno
8 direes
Seno-Cosseno
16 direes
Imagem Direcional
1018 ms 927 ms 713 ms 931 ms
Suavizao Seno-Cosseno
456 ms 325 ms 334 ms 328 ms
Suavizao Moda
221 ms 202 ms 220 ms 203 ms
PoincarClassificao
350 ms 325 ms 345 ms 340 ms
Tempo Total
1589 ms 1454 ms 1278 ms 1474 ms

Considerando a TABELA 9, foram somados os valores correspondentes
imagem direcional, suavizao por Moda destacada na cor azul e o ndice de
Poincar. A suavizao por seno-cosseno destacada na cor vermelha foi descartada.
Optou-se pela suavizao atravs da Moda, pois os valores obtidos mostram um
melhor desempenho. Desta forma possvel concluir que o algoritmo implementado
realiza a classificao em menos de dois segundos.

42
Unidade de medida de dispositivos de armazenamento, igual a 1.048.576 bytes. Abrev: MB ou
Mbyte.
43
RAM: memria de acesso aleatrio, projetada para acessar posies seqenciais de memria muito
rapidamente.
44
Windows: Ambiente Operacional Grfico elaborado pela Microsoft.

5.2. Etapas da Verificao
Os algoritmos de verificao foram implementados com auxlio do Matlab
verso 6 (URL6). Dentre os passos da verificao so citados a binarizao ou limiar
(threshold), o afinamento (thinning), o filtro para a limpeza do esqueleto, a extrao
e comparao de mincias conforme uma descrio detalhada nos itens a seguir.

5.2.1 Aplicao da binarizao ou limiar (Threshold)
Na etapa de verificao, uma imagem de entrada em tons de cinza deve ser
convertida para uma imagem binria, uma vez que se tem interesse em distinguir as
linhas pretas e as linhas brancas na imagem de impresso digital. Esta operao
reportada na literatura como aplicao do limiar ou binarizao (threshold), descrito
detalhadamente no item 3.3.1 (Ratha et al., 1995), (Coetzee et al., 1993), (Rao,
1976). Verificam-se os valores de intensidade dos pixels para decidir se ele receber
o valor 0 (preto) ou 255 (branco). A deciso feita pela comparao numrica dos
pixels com um determinado valor chamado nvel de threshold. Se o pixel de interesse
tem valor menor que esse nvel de threshold, ento receber valor 0, caso contrrio
receber valor 255. Neste trabalho o nvel de threshold utilizado foi a mdia de um
bloco considerado, ou seja, se o resultado da mdia do bloco for maior que o valor do
pixel central, este receber o valor da mdia obtido. Caso contrrio, se o resultado da
mdia for menor que o valor do pixel central, este manter o seu valor original. Esta
operao denominada de threshold adaptativo, pois a binarizao foi realizada em
blocos. Neste caso o usurio pode definir o tamanho deste bloco para efetuar a
operao.

5.2.2 Aplicao do afinamento (Thinning)
O afinamento tem por objetivo eliminar pixels indesejveis na imagem sem
alterar sua estrutura. Desta forma, a escolha de pares de elementos estruturantes
fundamental. Ao invs de se afinar uma imagem com apenas um par de elementos
estruturantes, as operaes podem ser efetuadas de forma simtrica a partir de uma
famlia de pares de elementos estruturantes como mencionado no item 3.3.2. Na
Figura 30 possvel observar uma famlia de elementos estruturantes sugerida por

Gonzalez (Gonzalez et al., 1987). Tomando-se a imagem afinada, o prximo passo
trata-se da limpeza desta imagem obtida.

5.2.3 Aplicao do filtro para limpeza do esqueleto
Aps o afinamento, possvel fazer uma limpeza das linhas emagrecidas com
o intuito de eliminar as reentrncias tambm conhecidas como ps de galinha na
imagem de impresso digital. Este filtro foi implementado no algoritmo de
verificao aqui proposto conforme descrito no item 3.3.3. Observa-se a seguinte
condio para realizar a limpeza do esqueleto. Primeiramente, define-se o pixel de
interesse P (i, j) localizado no centro da mscara. Se os pixels (i, j), (i + 1, j + 1) e (i -
1, j + 1) possurem valor 1, ento os pixels (i + 1, j), (i , j + 1) e (i - 1 , j) recebero o
valor zero, conforme mostra a Figura 31 no captulo 3. Caso as alteraes na imagem
no sejam notveis, sugere-se aplicar este filtro utilizando as mscaras rotacionadas
(Figura 59). Desta forma possvel obter uma imagem filtrada do esqueleto.

Figura 59: mscaras rotacionadas utilizadas para limpeza do esqueleto.

5.2.4 Extrao de mincias
Como j mencionado no item 2.4.3, os pontos de interesse utilizados para
verificao so as cristas finais e cristas bifurcadas extradas das linhas do esqueleto
na imagem. O conceito de Crossing Number abordado no item 4.2.1 (Baja, 1984),
(Tamura, 1978), (Ratha et al., 1995), (Mehtre, 1993) muito usado para deteco
destes pontos.
Em uma imagem binria onde a espessura de cada linha de apenas um pixel,
as cristas finais ou fins de linhas so caracterizadas por apenas 2 vizinhos em uma
vizinhana de 8 pixels enquanto as cristas bifurcadas so caracterizadas por 4 pontos
em uma vizinhana de 8 pixels. Estas so as propriedades definidas pelo clculo do
x x x
0 1 0
1 0 1

1 0 x
0 1 x
1 0 x

1 0 1
0 1 0
x x x

Crossing Number e foram implementadas neste trabalho com o intuito de extrair os
aspectos usados na verificao (cristas finais e cristas bifurcadas) e desconsiderar os
demais pontos encontrados no condizentes com estas propriedades.

5.2.5 Comparao de mincias
O algoritmo implementado para verificao considera a posio (x, y) e o tipo
de mincia (crista final ou bifurcao) conforme mencionado no item 4.2.2. So
dadas duas imagens, uma imagem A cadastrada em um banco de dados (template) e
uma imagem B candidata. Gera-se uma lista de cristas finais e cristas bifurcadas e
respectiva localizao. Faz-se a comparao das listas das duas imagens, levando em
considerao um valor de threshold usado para determinar a taxa permitida para que
dois pixels sejam ditos comparados. Uma mincia candidata ser considerada
coincidente com uma mincia cadastrada (template) se estiverem localizadas no
mesmo bloco e a distncia entre elas no for superior a 5 pixels. Comparadas as duas
listas obtm-se o resultado em porcentagem dos pontos comparados.

5.2.6 Apresentao e comentrios sobre o programa de verificao
Este item tem a finalidade de expor o programa de verificao implementado
neste trabalho. Como j mencionado, as etapas da verificao implementadas neste
algoritmo englobam as operaes morfolgicas
45
como, por exemplo, a binarizao
ou limiar (threshold), o afinamento (thinning) e o filtro utilizado para limpeza do
esqueleto. Tambm foram implementadas as etapas para extrao e comparao de
mincias como descrito nos itens 4.2.1 e 4.2.2.
As etapas implementadas destinadas verificao de imagens de impresses
digitais so apresentadas no fluxograma da Figura 60.

45
As operaes morfolgicas so detalhadas no item 3.3.

Figura 60: fluxograma das etapas implementadas para a verificao.

Na tela inicial do programa computacional so solicitadas as duas imagens
que sero confrontadas. Estas imagens podem ser em formato bitmap
46
ou tif
47
, em
tons de cinza. Foi implementada uma funo que redimensiona as imagens, portanto
os tamanhos das imagens candidatas no so especificados. O passo seguinte trata-se
da binarizao ou limiar (threshold). O programa solicita ao usurio que entre com
um tamanho de grade, uma vez que esta operao realizada com base nos pixels de
uma vizinhana
48
. possvel observar a interface grfica na Figura 61, onde so
apresentadas as imagens de entrada na parte superior da janela e as respectivas
imagens binarizadas na parte inferior da janela.

46
47
Tif = Tiff: Tagged Image File Format. Extenso para formato de arquivo grfico.
48

Figura 61: Interface grfica aps aplicao de threshold.

Seqencialmente no prximo passo possvel executar o afinamento da
imagem binria, seguido da limpeza do esqueleto a fim de eliminar as chamadas
reentrncias ou ps de galinha, termos conhecidos pelos profissionais da rea
biomtrica. Observe as imagens afinadas aps a aplicao do filtro para limpeza do
esqueleto na interface grfica mostrada na Figura 62.
Figura 62: Interface grfica aps afinamento e aplicao do filtro para limpeza do esqueleto.

As etapas seguintes referem-se localizao e comparao de mincias. Aps
todas as etapas do processo de verificao, o programa fornece a porcentagem de
pontos comparados (Figura 63).

Figura 63: Interface grfica final exibindo a porcentagem de pontos comparados.

5.2.7 Anlise de desempenho do algoritmo de verificao
A implementao do algoritmo de verificao foi realizada com auxlio do
Matlab 6 (URL6). O programa foi testado em um Pentium II 300, 64 MB
49
RAM
50
,
com sistema operacional windows
51
. Para cada etapa do algoritmo de verificao, foi
medido o tempo gasto em segundos. Parte das imagens dos bancos de dados citados
foram selecionadas para realizar alguns testes. Para o banco de dados DSPAMI
(URL4) foram realizadas comparaes de todas as imagens, totalizando 196
comparaes. A mdia de tempo gasto para cada etapa do algoritmo de verificao
pode ser observada na TABELA 10.

49
Unidade de medida de dispositivos de armazenamento, igual a 1.048.576 bytes. Abrev: MB ou
Mbyte.
50
RAM: memria de acesso aleatrio, projetada para acessar posies seqenciais de memria muito
rapidamente.
51
Windows: Ambiente Operacional Grfico elaborado pela Microsoft.

TABELA 10: DESEMPENHO DO ALGORITMO DE VERIFICAO.

Etapas da Verificao Tempo Gasto em segundos
(Matlab 6)
Binarizao
10,6 s
Afinamento
1 min 50 s
Filtro I
5,0 s
Mincias
7,0 s
Filtro II
41 s
Comparao
19,4 s
Tempo Total 188 s (3 min 8 s)

Analisando os resultados, possvel constatar que h necessidade de
otimizao de tempo para o algoritmo de verificao, uma vez que todo o processo
est levando mais de 3 minutos para realizar a verificao. No caso de dispositivos
biomtricos comerciais disponveis no mercado, este tempo varia em termos de
segundos, ou seja, dependendo da aplicao o sistema faz a verificao em menos de
um minuto (URL7), (URL8), (URL9).

Neste captulo foram apresentados os algoritmos de classificao e
verificao implementados neste trabalho e os resultados obtidos atravs dos
mesmos. As etapas implementadas so detalhadas seqencialmente. Segundo anlise
de desempenho realizada, pode-se afirmar que o programa de classificao bastante
rpido e eficiente, ou seja, em milsimos de segundos foi possvel classificar
automaticamente cerca de 85% das imagens do banco de dados DSPAMI, 66% das
imagens do NISTDB e 69% das imagens do FINGDB considerando os melhores
casos analisados no item 5.1.5. Quanto ao programa destinado verificao, h
necessidade de otimizao visando um melhor tempo de processamento, ou seja, o
programa implementado gasta mais de 3 minutos para realizar a verificao enquanto
os sistemas biomtricos comerciais disponveis no mercado realizam a verificao

em segundos. Os testes e resultados obtidos para os bancos de dados propostos foram
reportados neste captulo.

6. CONCLUSES E PERSPECTIVAS FUTURAS
Neste trabalho foram apresentados algoritmos aplicados classificao e
verificao de impresses digitais, abordados na literatura.
No primeiro captulo foram apresentadas diversas tcnicas destinadas
classificao e verificao de impresses digitais. Foi abordado o conceito de AFIS,
sistema automtico de identificao de impresses digitais, expondo o estado da arte
neste tema.
No captulo 2 foram definidos alguns conceitos e definies bsicas sobre
biometria, utilizados no decorrer deste trabalho. Constatou-se que segundo as
propriedades da dactiloscopia, as impresses digitais podem ser utilizadas como
caractersticas biomtricas para reconhecimento. A compilao apresentada neste
captulo foi feita com a inteno de expor ao leitor os conceitos e termos bsicos da
rea biomtrica com o objetivo de facilitar a compreenso do trabalho.
No captulo 3 foram descritas diversas tcnicas destinadas ao pr-
processamento de imagens visando otimizar a qualidade das imagens de impresses
digitais. Tambm foi dada uma breve introduo sobre processamento pontual e
processamento de rea, incluindo inclusive o conceito de vizinhana. Ressalta-se
aqui que as tcnicas de pr-processamento abordadas tiveram a finalidade de focar
somente as necessidades deste trabalho.
No captulo 4 foram descritos os mtodos utilizados para a classificao e
para a verificao. Dentre as etapas de classificao so abordados o clculo da
imagem direcional, a suavizao do mapa direcional obtido e o clculo do ndice de
Poincar. Na fase de verificao apresentou-se a extrao e a comparao de
mincias, bem como as taxas utilizadas para medir o desempenho em sistemas
biomtricos comerciais.
No captulo 5 so apresentados a metodologia e os resultados obtidos para a
classificao e para a verificao. Desta forma, implementou-se um mtodo proposto
na literatura com o objetivo de classificar imagens de impresses digitais
automaticamente, ou seja, o programa permite calcular a imagem direcional, gera o
mapa direcional suavizado e utiliza o ndice de Poincar para localizar os pontos de
interesse para a classificao. conveniente lembrar que para alguns casos a
qualidade da imagem no corresponde a um padro aceitvel. Entretanto, o programa

implementado permite ao usurio selecionar pontos falsos que sero desconsiderados
permitindo classificar a imagem novamente. Apresentou-se, porm um mtodo
estatstico, denotado neste trabalho como Moda, para executar a suavizao do mapa
direcional. O clculo da Moda nitidamente mostrou ser possvel gerar um mapa
direcional menos distorcido, ou seja, as direes das cristas permaneceram mais
condizentes com a imagem original. Outro fator a ser considerado a complexidade
do algoritmo, ou seja, para implementar a Moda basta considerar um bloco e
verificar qual a direo que se apresenta um maior nmero de vezes. Dada esta
direo, basta atribu-la ao bloco em questo. Quanto ao mtodo reportado na
literatura seno-cosseno percebeu-se aps os testes realizados que os mapas
gerados apresentavam mais rudos com relao s direes observadas na imagem
original.
Os critrios utilizados para a classificao foram estabelecidos depois de
repetidos testes e observao dos pontos falsos gerados. Constatou-se que nas
imagens propostas no poderiam ser encontrados dois ou mais pontos singulares
(ncleo e delta) vizinhos. Observando estas ocorrncias, verificou-se que eram
pontos falsos e, portanto deveriam ser desconsiderados. No caso particular de trs
pontos singulares vizinhos, minuciosamente foi constatado que um destes pontos era
verdadeiro e, portanto seria imprescindvel mant-lo para classificao, apagando os
outros dois pontos. Neste caso, constatou-se que o ponto que deveria ser mantido o
que aparecia duas vezes, como por exemplo, um ncleo, um delta e um ncleo
vizinhos, um dos ncleos deveria ser mantido. Desta forma, foram analisados e
implementados os critrios que possibilitaram relativo sucesso na classificao. Esta
foi uma contribuio relevante neste trabalho e empiricamente constatou-se que 70%
das imagens pertencentes aos bancos de dados propostos foram classificadas
automaticamente conforme discutido no captulo 5. A implementao feita em
linguagem C++, estabelece maior flexibilidade e versatilidade uma vez que o cdigo
pode ser portado e manipulado em vrias plataformas. Esta linguagem tambm
oferece um maior grau de liberdade no sentido de manipular e definir as diversas
funes implementadas para o propsito da classificao. O programa de
classificao implementado permite ao usurio definir variaes no nmero de
parmetros tais como aplicao do filtro de contraste, tamanho de grade para

contraste, nmero de direes (8 ou 16), tamanho de grade para suavizao.
Adicionalmente, o usurio poder apagar pontos manualmente caso a imagem no
seja classificada automaticamente e ento reclassific-la.
So abordadas tambm no captulo 5 as etapas destinadas verificao e
implementao de algoritmos desenvolvidos com auxlio do Matlab (URL6)
permitindo a autenticao de um indivduo. Na etapa de verificao, o programa
implementado retorna como resposta a porcentagem de pontos verdadeiros mediante
comparao de duas imagens So apresentadas as etapas referentes s operaes
morfolgicas. Dada uma imagem em tons de cinza, o primeiro passo transform-la
em binria. Tomando-se as imagens binrias aplica-se o afinamento (thinning), ou
seja, as linhas das imagens tero um pixel de espessura. Tambm foi implementado
um filtro que permite limpar a imagem do esqueleto gerada. O prximo passo
extrair as mincias, onde foi utilizado o conceito de Crossing Number (Tamura,
1978), (Baja, 1984), baseado na anlise de vizinhana. Finalmente marcados os
pontos correspondentes s cristas finais e s cristas bifurcadas possvel fazer o
confronto das impresses digitais. Desta forma foram apresentados os resultados
obtidos para os bancos de dados propostos neste trabalho e fez-se uma anlise do
tempo gasto para cada uma das etapas de classificao e de verificao.
Como resultado desta pesquisa so propostos os seguintes estudos:
! Desenvolvimento de tcnicas de pr-processamento visando melhoria das cristas
em imagens de impresses digitais (image enhancement),
! Estudo de tcnicas de segmentao e restaurao de imagens para utilizao em
imagens latentes,
! Anlise dos poros (poroscopia) incorporados s demais mincias para o propsito
de verificao,
! Estudo de um mtodo que permita extrao de aspectos diretamente de imagens
em tons de cinza. Isto evitaria todo o processo abordado em verificao, como a
binarizao da imagem (threshold) e principalmente o afinamento (thinning) que
um algoritmo que consome muito tempo de processamento uma vez que se trata
de um algoritmo iterativo.

REFERNCIAS BIBLIOGRFICAS
(Abutaleb et al., 1999) ABUTALEB, Ahmed S.; KAMEL, M.. A Genetic Algorithm
for the Estimation of Ridges in Fingerprints. IEEE Transactions on Image
Processing, vol.8, n 8, pp. 1134-1139, 1999.

(Asai et al., 1975) ASAI, Ko; HOSHINO, Yukio. YAMASHITA, Naoki;
HIRATSUKA, Seiichi; Fingerprint Identification System. Second USA-Japan
Computer Conference, session 1-4-1 a 1-4-6, pp. 30-35, 1975.

(Baja, 1984) BAJA, Arcelli. A width independent fast thinning algorithm. IEEE
Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-7(4), 1984.

(Blue et al., 1994) BLUE, J. L.; CANDELA, G. T.; GROTHER, P. J.;
CHELLAPPA,R.; WILSON, C. L.. "Evaluation of Pattern Classifiers for
Fingerprint and OCR Aplications". Pattern Recognition, vol. 27, n 4, pp. 485-501,
1994.

(Bombonatti, 1984) BOMBONATTI, Jos. "Manual de Classificao do Arquivo
Monodactilar", pp. 1-17, 1984.

(Cappelli et al., 1999) CAPPELLI, Raffaele; LUMINI, Alessandra; MAIO, Dario;
MALTONI, Davide. "Fingerprint Classification by Directional Image Partitioning".
IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21, n 5, pp.
402-421, 1999.

(Centeno et al., 1997) CENTENO, Jorge A. Silva; HAERTEL, Victor. An Adaptive
Image Enhancement Algorithm. Pattern Recognition, vol. 30, n 7, 1997.

(Chang, 1980) CHANG, T. L.. Texture Analysis of Digitized fingerprints for
Singularity Detection. IEEE, CH1499-3/80/0000-0478, pp. 478-480, 1980.

(Chapel et al., 1941) CHAPEL, C. E.; McCANN, Coward. Fingerprinting A
Manual of Identification. New York, 1941.

(Cheung et al., 1987) CHEUNG, Y. S.; YIP, W. M.. A personal computer-based
fingerprint identification system. Proc. IEEE Asian Electron. Conf. Hong Kong,
1987.

(Chong et al., 1992) CHONG, Michael M. S.; GAY, Robert K. L.; TAN, H. N.; LIU,
J.. Automatic Representation of Fingerprints for Data Compression by B-Spline
Functions. Pattern Recognition, vol. 25, n 10, pp. 1199-1210, 1992.

(Chong et l., 1997) CHONG, Michael M. S.; GAY, Robert K. L.; TAN, Han Ngee;
LIU, Jun. Geometric Framework for Fingerprint Image Classification. Pattern
Recognition, vol. 30, n 9, pp. 1475-1488, 1997.

(Coetzee et al., 1993) COETZEE, Louis; BOTHA, Elizabeth C.. "Fingerprint
Recognition in Low Quality Images". Pattern Recognition, vol. 26, n 10, pp. 1441-
1460, 1993.

(Cowger, 1983) COWGER, J. F.. Friction Ridge Skin: Comparison and
Identification of Fingerprints. Elsevier, New York, 1983.

(CRUZ, 1999) CRUZ, Gilberto da; Dados coletados em entrevista pessoal, realizada
em 8 de maro de 1999.

(Eleccin, 1973) ELECCION, Marce. Pattern Recognition Automatic Fingerprint
Identification. IEEE Spectrum, pp. 36-45, 1973.

(Farina et al., 1998) FARINA, Alessandro; KOVCS-VAJNA, Zsolt M.; LEONE,
Alberto. Fingerprint minutiae extraction from skeletonized binary images. Pattern
Recognition, 32, pp. 877-889, 1999.

(FBI, 1984) FBI: Federal Bureau of Investigation. The Science of Fingerprints:
Classification and Uses. U.S. Government Printing Office, Washington, DC (1984).

(Gonzalez et al., 1987) GONZALEZ, Rafael C.; WOODS, Richard E.. Digital
Image Processing. Addison Wesley Publishing Company, 1987.

(Grasselli, 1969) GRASSELLI, Antonio. On the Automatic Classification of
Fingerprints Some Considerations on the Linguistic Interpretation of Pictures.
Methodologies of Pattern Recognition, S. Watanabe, pp. 253 273, Academic Press,
1969.

(Henry, 1905) HENRY, E. R.. Classification and Uses of Fingerprints. Wyman
and Sons Ltda, 1905.

(Hong et al., 1996) HONG, Lin; JAIN, Anil; PANKANTI, Sharath; BOLLE, Ruud.
Fingerprint Enhancement. Proc. Third IEEE Workshop on Applications of
Computer Vision, pp. 202-207, 1996.

(Hong et al., 1998a) HONG, Lin; JAIN, ANIL K.. Integrating Faces and
Fingerprints for Personal Identification. IEEE Transactions on Pattern Analysis and
Machine Intelligence, vol. 20, n 12, pp. 1295-1307, 1998.

(Hong et al., 1998b) HONG, Lin; JAIN, Anil. Fingerprint Image Enhencement:
Algorithm and Performance Evaluation. IEEE Transactions on Pattern Analysis and

(Hrechak et al., 1990) HRECHAK, Andrew K.; MCHUGH, James A.. "Automated
Fingerprint Recognition using Structural Matching". Pattern Recognition, vol. 23, n
8, pp. 893-904, 1990.

(Hung, 1993) HUNG, Douglas D. C.. "Enhancement and Feature Purification of
Fingerprint Images". Pattern Recognition, vol. 26, n 11, pp. 1661-1671, 1993.

(Isenor et al., 1986) ISENOR, D. K.; ZAKY, G.. Fingerprint Identification using
Graph Matching. Pattern Recognition, vol. 19, n 2, pp. 113-122, 1986.

(Jain et al., 1997a) JAIN, Anil; HONG, Lin; PANKANTI, Sharath; BOLLE, Ruud.
An Identity-Authentication System using Fingerprints. Proceedings of the IEEE,
vol. 85, n 9, pp. 1365-1388, 1997.

(Jain et al., 1997b) JAIN, Anil K.; HONG, Lin; BOLLE, Ruud. "On Line
Fingerprint Verification". IEEE Transactions on Pattern Analysis and Machine
Intelligence, vol.19, n 4, pp. 302-313, 1997.

(Jain et al., 1999) JAIN, Anil K.; PRABHAKAR; Salil; HONG, Lin. "A
Multichannel Approach to Fingerprint Classification". IEEE Transactions on Pattern
Analysis and Machine Intelligence, vol. 21, n 4, pp. 348-359, 1999.

(Karu et al., 1996) KARU, Kalle; JAIN, Anil J.. Fingerprint Classification. Pattern

(Kawagoe et al., 1984) KAWAGOE, Masahiro; TOJO, Akio. "Fingerprint Pattern
Classification". Pattern Recognition, vol. 17, n 3, pp. 295-303, 1984.

(Kawashima et al., 1984) KAWASHIMA, M.; KIJI, K.. Personal Identification by
Fingerprint or Palmprint. Inf. Process 25, pp. 599-605, 1984.

(Kehdy, 1968) KEHDY, Carlos. Exerccios de Dactiloscopia. Ed. Sugestes
Literrias, 1968.

(Lee et al., 1991) LEE, Henry C.; GAENSSLEN, R. E.. Advances in Fingerprint
Technology. Elsevier, New York, 1991.

(Lin et al., 1982a) LIN, C. H.; LIU, J. H.; OSTERBERG, J. W.; NICOL, J. D.
Fingerprint comparison I Similarity of Fingerprints. J. Forensic Sci 27, pp. 290-
304, 1982.

(Lin et al., 1982b) LIN, C. H.; LIU, J. H.; OSTERBERG, J. W.; NICOL, J. D..
Fingerprint comparison II On the development of a single fingerprint filing and
searching system. J. Forensic Sci 27, pp. 305-317, 1982.

(Lindley, 1991) LINDLEY, Craig A.. Practical Image Processing in C (Aquisition,
Manipulation, Storage). Ed. Wiley, 1991.

(Lumini et al., 1997) LUMINI, Alessandra; MAIO, Dario; MALTONI, Davide.
Continuous versus Exclusive Classification for Fingerprint Retrieval. Pattern
Recognition Letters, 18, pp. 1027-1034, 1997.

(Luk et al., 1991) LUK, A.; LEUNG, S. H.; LEE, C. K.; LAU, W. H.. A Two-Level
Classifier for Fingerprint Recognition. Proc. IEEE Int. Symp. Circuits and Systems,
Singapore, 1991.

(Maio et al., 1997) MAIO, Dario; MALTONI, Davide. Direct Gray-Scale Minutiae
Detection in Fingerprints. IEEE Transactions on Pattern Analysis and Machine
Intelligence, vol. 19, n 1, pp. 27-40, 1997.

(Marion, 1991) MARION, Andre. "An Introduction to Image Processing". Ed.
Chapman and Hall, 1991.

(Mehtre et al., 1987) MEHTRE, B. M.; MURTHY, N. N.; KAPOOR, S.;
CHATTERJEE, B.. Segmentation of Fingerprint Images using the Directional
Image. Pattern Recognition, vol. 20, n4, pp. 429-435, 1987.

(Mehtre et al., 1989) MEHTRE, B. M.; CHATTERJEE, B.. Segmentation of
Fingerprint Images A Composite Method. Pattern Recognition, vol. 22, n4, pp.
381-385, 1989.

(Mehtre, 1993) MEHTRE, B. M.. "Fingerprint Image Analysis for Automatic
Identification". Machine Vision and Aplicattions, vol. 6, n 2 3, pp. 124-139, 1993.

(Meyer, 1999) MEYER, Helen. Abstracts of Articles and Recent Literature.
Computers and Security, vol. 18, pp. 149-154, 1999.

(Miller, 1994) MILLER, B.. Vital Signs of Identity. IEEE Spectrum, vol. 31, n 2,
pp. 22-30, 1994.

(Moayer et al., 1975) MOAYER, Bijan; FU, King Sun. A Syntactic Approach to
Fingerprint Pattern Recognition. Pattern Recognition, vol. 7, pp. 1-23, 1975.

(Moayer et al., 1976a) MOAYER, Bijan; FU, King Sun. A Tree System Approach
for Fingerprint Pattern Recognition. IEEE Transactions on Computers, vol. C25, n
3, pp. 262-274, 1976.

(Moayer et al., 1976b) MOAYER, Bijan; FU, King Sun. An Application of
Stochastic Languages to Fingerprint Pattern Recognition. Pattern Recognition, vol.
8, pp. 173-179, 1976.

(Newham, 1995) NEWHAM, E.. The Biometric Report. New York : SJB Services,
1995.

(NIST, 1986) NIST - American National Standards Institute. Fingerprint
Identification Data Format for Information Interchange. New York, 1986.

(NIST, 1992) WATSON, C. I.; WILSON, C. L.. Nist Special Database 4. National
Institute of Standards and Technology, Advanced Systems Division, Image
Recognition Group, 1992.

(Qinghan et al., 1986) QINGHAN, Xiao; ZHAOQI, Bian. An Approach to
Fingerprint Identification by using the attributes of feature lines of Fingerprint. 8th
International Conference on Pattern Recognition, pp. 663-665, 1986.

(Rao et al., 1974) RAO, C. V. Kameswara; PRASADA, B.; SARMA, K. R.. An
automatic fingerprint classification system. Proc. Second Int. Conf. Pattern
Recognition, Copenhagen, Denmark, 1974.

(Rao, 1976) RAO, Kameswara. Feature Extraction for Fingerprint Classification.
Pattern Recognition, vol. 8, pp. 181-192, 1976.

(Rao et al., 1978) RAO, Kameswara; BALCK, Kenneth. Finding the Core Point in
a Fingerprint. IEEE Transactions on Computers, vol. C-27, n 1, 1978.

(Rao et al., 1980) RAO, Kameswara; BALCK, Kenneth. Type Classification of
Fingerprints: a syntatic approach. IEEE Transactions on Pattern Analysis and

(Ratha et al., 1995) RATHA, Nalini K.; CHEN, Shaoyun; JAIN, Anil K..
Adaptative Flow Orientation Based Feature Extraction in Fingerprint Images.
Pattern Recognition, vol. 28, n 11, pp. 1657-1672, 1995.

(Ratha et al., 1996) RATHA, Nalini; KARU, Kalle; CHEN, Shayun; JAIN, Anil K..
"A Real Time Matching System for Large Fingerprint Databases". IEEE
Transactions on Pattern Analysis and Machine Intelligence, vol. 18, n 8, pp. 799-
813, 1996.

(Roddy et al., 1997) RODDY, Andrea R.; STOSZ, Jonathan D.. Fingerprint
Features Statistical Analysis and system Performance Estimates. Proceedings of
the IEEE, vol. 85, n 9, pp. 1389-1421, 1997.

(Sherlock et al., 1992a) SHERLOCK, B. G.; MONRO, D. M.; MILLARD, K..
"Algorithm for Enhancing Fingerprint Images". Eletronics Letters, vol. 28, n 18,
1992.

(Sherlock et al., 1992b) SHERLOCK, B. G.; MONRO, D. M.. "A model for
interpreting fingerpint topology". Pattern Recognition, vol. 26, n 7, pp. 1047-1055,
1993.

(Sherlock et al., 1994) SHERLOCK, B. G.; MONRO, D. M.; MILLARD, K.. "
Fingerprint enhancement by directional Fourier filtering". IEEE Proc. Visual Image
Signal Processing, 141 (2), pp. 87-94, 1994.

(Sims, 1994) SIMS, Dave. Decriminalizing the Fingerprint. IEEE Computer
Graphics and Applications, pp. 15-16, 1994.

(Srinivasan et al., 1992) SRINIVASAN, V. S.; MURTHY, N. N.. Detection of
Singular Points in Fingerpint Images. Pattern Recognition, vol. 25, n 2, pp. 139-
153, 1992.

(Stock et al., 1969) STOCK, R. M.; SWONGER, C. W.. Development and
Evaluation of a reader of Fingerprint Minutiae. Cornell Aeronautical Laboratory,
Technical Report CAL nXM-2478-X-1: 13-17, 1969.

(Tamura, 1978) TAMURA, H.. A Comparison of Line Thinning Algorithms from
Digital Geometry Viewpoint. Proc. of 4
th
Int. Jt. Conf. On Pattern Recognition,
Kyoto Japan, 1978.

(Verma et al., 1987) VERMA, M. R.; MAJUNDAR, A. K.; CHATTERJEE, B..
Edge Detection in Fingerprints. Pattern Recognition, vol. 20, n 5, pp. 513-523,
1987.

(Wahab et al., 1998) WAHAB, A.; CHIN, S. H.; TAN, E. C.. Novel approach to
automated fingerprint recognition. IEE Proc. Vis. Image Signal Processing, vol.
145, n 3, pp. 160-166, 1998.

(Wilson et al., 1994) WILSON, C. L.; CANDELA, G. T.; WATSON, C. I.. Neural
Network Fingerprint Classification. Journal of Artificial Neural Networks, 1(2), pp.
203-228, 1994.

(Xiao et al., 1986) XIAO, Q.; BIAN, Z.. An approach to fingerprint identification
by using the attributes of feature lines of fingerprint. Proc. 8th Int. Conf. Pattern
Recognition, Paris, pp. 663-665, 1986.

(Xiao et al., 1991a) XIAO, Q.; RAAFAT, H.. Combining statistical and structural
information for fingerprint image processing: classification and identification.
Pattern Recognition: Architectures, Algorithms and Applications, Word Scientific,
Singapore, 1991.

(Xiao et al., 1991b) XIAO, Qinghan; RAAFAT, Hazem. "Fingerprint Image
Postprocessing: A Combined Statistical and Structural Approach". Pattern

REFERNCIAS: URLS
(URL1) http://www.uol.com.br/michaelis/ Acesso em 20 de agosto de 2001.

(URL2) http://bias.csr.unibo.it/fvc2000/ Acesso em 20 de agosto de 2001.

(URL3) http://www.itl.nist.gov/iani/894.03/databases/defs/vip_dbases.htm Acesso
em 10 de maio de 2000.

(URL4) http://www.csr.unibo.it/research/biolab/bio_tree.html Acesso em 10 de maio
de 2000.

(URL5) http://www.arid.com.br/Aplicacoes/Fragmento.htm Acesso em 20 de
setembro de 2001.

(URL6) http://www.mathworks.com/index.shtml Acesso em 20 de setembro de
2001.

(URL7) http://www.dermalog.de/english/index.html Acesso em 20 de setembro de
2001.

(URL8) http://www.tasksistemas.com.br/ Acesso em 20 de setembro de 2001.

(URL9) http://www.identix.com/authentication/biometrics/swalgorithms.asp Acesso
em 20 de setembro de 2001.

GLOSSRIO
Atributo sub-aspecto: posio, tamanho, orientao.
Autenticao confirmao de uma identidade.
BMP bitmap, representao de uma imagem, mapa de bits. O formato do arquivo
bitmap composto por: header (informaes do cabealho), info (informaes do
bitmap) e data (imagem propriamente dita).
Dactiloscopia estudo das impresses digitais, sistema de verificao que faz uso
das impresses digitais.
Desenho digital o desenho formado pelas cristas papilares.
dpi refere-se a resoluo em um scanner (pontos por polegada).
FAR false accept rate; tentativa de um sistema permitir acesso ao impostor.
FRR false rejest rate; tentativa de um sistema de rejeitar um usurio vlido.
Feature caractersticas, aspectos, pontos de interesse, mincias.
Feature configurations - conjunto de aspectos especficos que definem
geometricamente uma rea conhecida de interesse.
Galton feature definem os aspectos de Galton,; so as chamadas mincias ou
pontos caractersticos conhecidos por cristas finais, cristas bifurcadas, ilhas, esporas,
cruzamentos, etc...
I dentification processo onde a identidade do usurio desconhecida. O sistema
determina se o usurio desconhecido faz parte de um banco de dados de usurios
vlidos.
I nked fingerprint (mtodo ink and paper) imagem resultante da aplicao de tinta
para rolar o dedo em uma superfcie (papel); resultado de uma impresso digital
rolada em papel.
Imagem direcional mapa de direes de uma impresso digital. Especialistas da
rea propem o uso de 8 ou 16 direes.
Impresso digital mesmo que datilograma, a reproduo do desenho digital.
Latent impresso digital parcial semelhante as colhidas em local de crime.
Matching comparao; aspectos que representam um template que possibilita a
comparao das mincias.

Minutiae estrutura das cristas que permitem diferenciar os indivduos, determinam
a unicidade de um indivduo. Tambm recebem o nome de pontos caractersticos,
aspectos de Galton ou features.
Performance medidas de FAR e FRR para um dado sistema.
PI N Personal Identification Number
Pixel menor unidade ou ponto de um monitor de vdeo cuja cor ou brilho podem
ser controlados; elemento de imagem; pode ser usado como unidade de comprimento
de rea.
Sites refere-se pginas da internet.
Template conjunto de dados extrados de uma imagem de impresso digital.
Uniqueness chave para FAR, probabilidade da ocorrncia da configurao de
aspectos.
Verification processo onde o sistema faz a comparao de dados de entrada com
um template registrado no banco de dados, permitindo ou no o acesso do usurio.

APNDICE A
Foi desenvolvida uma biblioteca para classificao de impresses digitais
utilizando a linguagem de programao C. Optou-se por esta linguagem por ser
consagrada no meio cientfico e que independe do compilador, ou seja, uma
linguagem de alto nvel cujo cdigo pode ser portado em plataformas distintas,
Windows, Linux ou qualquer outro sistema que aceite o padro ANSI C++.

Biblioteca SBITMAP.H (declarao das funes) e SBITMAP.CPP
(implementao das funes)

FU_LER_BMP: funo encarregada de ler um arquivo bitmap.
FU_GRAVAR_BMP: dado um nome de arquivo, um bitmap header, info e data,
gera o arquivo no formato bitmap.
FU_GRAVAR_DIREC: dado um nome de arquivo e uma matriz direcional,
grava a matriz direcional em disco. Retorna zero se tudo der certo.
FU_LER_DIREC: dado um nome de arquivo e uma matriz direcional, l a matriz
direcional gravada em disco, o nmero de direes, de linhas e colunas da
respectiva matriz. Retorna zero se tudo der certo.
SU_CALC_TAM_ARQ_BMP: funo que, dado um arquivo de informao de
bitmap, calcula o tamanho da imagem bitmap armazenando o valor em uma
varivel ulng TamImagem. Unsigned long uma varivel do tipo long (4 bytes)
sem bit de sinal, ou seja, somente armazena nmeros positivos at 4 bilhes e 200
mil (2 elevado a 32).
SU_BMP_BALDE: funo que faz o papel do baldinho do Paint. Dado um
pixel inicial e um pixel final, pinta com a cor fornecida em RGB.
SU_DESENHAR_SETA: dada uma determinada direo, um tamanho de seta,
uma posio x,y central e as matrizes que compem um bitmap, desenha uma
seta.
SU_BMP_RETA: funo que desenha uma reta. Dado um ponto inicial (x, y),
um ponto final (xf, yf), uma espessura da reta e a cor (em RGB), desenha uma
reta no bitmap.
FU_TRATA_ANG: esta funo posiciona determinada direo em um quadrante
estabelecido pelo ndice de Poincar.

SU_ANGTORAD: dado um arco em ngulos, transforma para radianos.
SU_RADTOANG: dado um arco em radianos, transforma para ngulo.
FU_CALC_DIF: dada as direes, calcula a diferena em uma mscara 2x2 no
sentido anti-horrio (Classificao Privada).
FU_OBTER_MEDIA_GRADE: esta funo fornece a mdia dos pixels na grade
(obtm resultado).
SU_APLICAR_MEDIA: esta funo faz a mdia dos valores em uma grade
considerada. Se valor da mdia for menor que o valor do pixel central, a grade
receber o valor zero, caso contrrio recebe o valor da mdia calculado.
FU_ANG_DELTA: dada a direo dos blocos, o ponto ncleo e o delta, calcula o
ndice de Poincar, (Classificao Privada).
FU_ANG_EXC: funo desenvolvida para a classificao semi-automtica.
Recebe um ponto (j, i), uma matriz de exceo e um tamanho de falha,
(Classificao Privada).
FU_LER_ANG_EXC: l o arquivo de exceo e joga os valores posicionais no
vetor de excees. Inicializa a varivel angs_exc: se houver arquivo de exceo,
inicializa com os valores existentes no arquivo.
FU_GRAVAR_CLA: dada uma matriz de caracteres (N, D, O) e suas dimenses,
grava em formato TXT.
FU_LER_CLA: dado um nome de arquivo, preenche as variveis: matriz,
sint_num_linha, sint_num_coluna.
FU_CLASSIFICA: faz a classificao propriamente dita, retornando nmero de
pontos singulares, pontos ncleo e delta, aplicando os critrios estabelecidos, se
necessrio.
FU_GRAVAR_BITMAP_CLASSIFIC: a partir da matriz de classificao, grava
um bitmap para visualizao grfica.
FU_GERA_RELATORIO_CLASSIFICA: gera o resultado na tela com os
resultados da classificao.
STR_SUBSTRING: esta funo recebe uma string (*char) e retorna n caracteres
a partir de um certo ponto da string.

Lista de Programas

1) BMP_TO_ DIR: dado um arquivo bitmap, gera o arquivo direcional.
Funes Internas:
! SU_DET_DIR: dada a matriz com um BMP em tons de cinza (bitmapdata),
um pixel central (i, j) e o nmero de direes em estudo, gera a matriz com os
vetores direcionais possveis (por exemplo, S(0), S(1), S(2),....,
s(MAX_DIRECS) ), contendo o valor de cada pixel no BMP em questo.
! FU_PEGA_DIR_MAX: dado o nmero de direes, retorna o ndice da
maior direo existente nos vetores direcionais.
! FU_PEGA_DIR_MIN: dado o nmero de direes, retorna o ndice da menor
direo existente nos vetores direcionais.
! FU_SOMA_DIR: dada uma direo, o nmero de direes e os vetores
direcionais, retorna a soma dos valores existentes em determinada direo.
! FU_PEGA_DIR_SOMA: dado o nmero de direes e os vetores direcionais,
retorna a soma dos valores em todas as direes.

2) BMP_TO_ NUM: dado um arquivo bitmap, gera o arquivo com a matriz
numrica.

3) CLASSIF: este programa permite fazer a classificao de impresses digitais
baseado no clculo do ndice de Poincar.

4) CLASSIF-GRAF: este programa permite a visualizao da interface grfica.

5) POINCAR: este programa faz o clculo do ndice de Poincar para posterior
classificao.

6) PREPBMP: este programa permite fazer o ajuste de contraste em uma
determinada grade. Se a mdia dos pixels da grade considerada for menor que o
valor do pixel central, ento a grade recebe valor 0 (preto). Caso contrrio a grade
receber valor da mdia encontrada (valor mdio da grade).

7) SUAVDIR: este programa faz a suavizao de um mapa direcional utilizando o
mtodo seno-cosseno, proposto na literatura.

8) SUAVDIR_MODA: este programa faz a suavizao de um mapa direcional
utilizando o mtodo estatstico, ou seja, atribui-se ao bloco a direo que aparecer
com maior freqncia.

9) VISBMP: dado um arquivo bitmap, gera um arquivo texto contendo uma matriz
com valores numricos.

10) VISSETA: dado um arquivo direcional, gera um arquivo bitmap.

11) FILCLA: dada uma matriz com valores N, D, O, (ncleo, delta, ordinrio,
respectivamente), aplica critrios para filtragem e posterior classificao.
! SU_CRITERIO_VIZINHO: esta funo apresenta os critrios de estudo de
vizinhana para eliminao de pontos de interesse falsos, visando
posteriormente uma classificao (reclassificao) automtica.
! SU_CRITERIO_BORDA: esta funo elimina pontos de interesse (ncleos e
deltas) que estejam localizados na 1 borda, ou seja, na borda externa, visando
posteriormente uma classificao (reclassificao) automtica.
! FU_GRAVA_LOG: fornece um relatrio mostrando quais pontos foram
desconsiderados aps a classificao

APNDICE B
A verificao de impresses digitais foi desenvolvida com auxlio de uma
ferramenta denominada MatLab. Esta ferramenta apresenta um toolbox para
processamento de imagens com algumas funes pr-definidas, que facilitam o
trabalho com imagens uma vez que uma linguagem orientada ao tratamento de
vetores e matrizes.

Lista de Programas

1) INICIAR: este programa carrega duas imagens (imagem A e imagem B) em tons
de cinza, para serem comparadas.
Funes Internas:
! SCANIMAGE: prompt para o usurio escolher um arquivo. Esta funo
chama letest.
! LETEST: Esta funo l o arquivo selecionado e redimensiona a imagem.

2) BINARIZAO: dado os arquivos (imagem A e imagem B) em tons de cinza,
converte as imagens em binria (0 ou 1).
Funes Internas:
! THRES: Esta funo executa o threshold adaptativo, ou seja, considerando
um tamanho de bloco transforma as imagens A e B em binrias.

3) THINNING: dadas imagens binrias, esta funo executa o afinamento.
Funes Internas:
! AFINA: Esta funo chama AFINA2 cinco vezes.
! AFINA2: Esta funo executa o afinamento at que se obtenha 1 pixel de
espessura (esqueleto da imagem).
! N_MASCARA: mscara 3x3 utilizada para varrer a imagem e retorna um
valor correspondente a somatria da mscara, auxilia no processo de
afinamento.
! T_MASCARA: mscara 3x3 (mudana de posio x, y) utilizada para varrer
a imagem, auxilia no processo de afinamento.

! VIZ_157: esta funo retorna o produto dos pixels correspondentes aos
vizinhos P1, P5, P7.
! VIZ_357: esta funo retorna o produto dos pixels correspondentes aos
vizinhos P3, P5, P7.

4) FILTRO I: dado o esqueleto das imagens, aplica-se um filtro que permite limpar
estas imagens afinadas.
Funes Internas:
! VIZINHANCA: Esta funo executa a limpeza do esqueleto baseado em
critrios de vizinhana.

5) MINCIAS: este programa localiza mincias em ambas as imagens, gerando
uma lista dos pontos correspondentes a cristas finais e bifurcaes para cada
imagem.
Funes Internas:
! ACHAR_LISTA: Esta funo retorna uma lista de pontos finais e bifurcados,
baseando-se no clculo do crossing number.
! MOSTRA_LISTA: Esta funo exibe a imagem com todos os pontos da lista
marcados.

6) FITRO II: este programa determina todas as mincias vlidas.
Funes Internas:
! TRILHA_FINAL: Esta funo usa uma imagem de entrada e a lista de pontos
finais para gerar uma imagem de sada limpa e uma lista das mincias
verdadeiras (pontos finais).
! MOSTRA_LISTA: Esta funo exibe a imagem com os pontos verdadeiros
da lista.

7) COMPARAO: este programa compara as listas de mincias geradas e fornece
a porcentagem de pontos comparados.
Funes Internas:
! COMPARA: Esta funo retorna porcentagem de pontos comparados.

A seguir so apresentados os diagramas correspondentes a cada boto
implementado na fase de verificao, chamados de diagramas de blocos em camadas.
Graficamente so mostrados todos os programas e respectivas funes, acreditando
desta forma, facilitar o entendimento das etapas no processo de verificao de
impresses digitais.

Boto INICIAR

Boto BINARIZAO

Boto AFINAMENTO (Thinning)

Boto FILTRO I

Boto MINCIAS

Boto FILTRO II

Boto COMPARAO (matching)

Dissertacao Silvia

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertacao Silvia

Enviado por

Direitos autorais:

Formatos disponíveis

SILVIA MARIA FARANI COSTA

CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO CLASSIFICAO E VERIFICAO

Você também pode gostar