Escolar Documentos
Profissional Documentos
Cultura Documentos
CLASSIFICAO E VERIFICAO
DE IMPRESSES DIGITAIS
So Paulo
2001
CLASSIFICAO E VERIFICAO
DE IMPRESSES DIGITAIS
So Paulo
2001
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.
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
INTRODUO
1. TECNOLOGIA BIOMTRICA
1.1 Sistemas automticos de identificao de impresses digitais (AFIS Automated
Fingerprint Identification System)
1.2
Mtodos de classificao
2. ESTUDO DA DACTILOSCOPIA
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 IMAGENS
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
3.4 Consideraes Finais
4. CLASSIFICAO E VERIFICAO DE IMPRESSES DIGITAIS
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
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 SenoCosseno.
Figura 57: NISTDB - porcentagem de imagens classificadas automaticamente para Moda e SenoCosseno.
Figura 58: FINGDB - porcentagem de imagens classificadas automaticamente para Moda e SenoCosseno.
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.
Lista de Tabelas
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
Palavras Chave:
Reconhecimento
de
Padres,
Tecnologia
Biomtrica,
Imagem
Direcional,
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:
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.
Figura 3: Tecnologias biomtricas - impresso digital, face, ris, voz, geometria da mo, formato
da unha.
Imagem Digitalizada
Framegrabber
Cmera
Impresso
2-D refletida
Luz Uniforme
Prisma
DB1
DB2
DB3
Tipo de Sensor
ptico de baixo custo
Capacitivo de baixo custo
ptico
Tamanho da Imagem
300x300
256x364
448x478
Resoluo
500 dpi
500 dpi
500 dpi
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).
desenvolvida
uma
biblioteca
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 AFIS e as aproximaes bsicas para classificao e
verificao nestes sistemas.
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 cristas8 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.
Cristas correspondem s linhas dactilares em uma impresso digital, so as linhas pretas em uma
impresso tintada em papel.
10
Sistema de Henry: as cinco classes propostas por Henry so detalhadas no item 2.4.2.
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.
A Figura 12 foi extrada do artigo Integrating Faces and Fingerprints for Personal Identification
referenciado neste trabalho como (Hong et al., 1998a).
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.
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.
podem ser usadas como caractersticas biomtricas desde que satisfaam as seguintes
condies:
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.
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 sites17 que utilizam o sistema AFIS (AUTOMATED FINGER
IDENTIFICATION SYSTEM) para processamento.
17
Transaes Eletrnicas
Fraudes em transaes eletrnicas de valor monetrio tm custado aos
Controle de Ponto
No comrcio, indstrias e empresas, o sistema de identificao de impresses
Outras Aplicaes
Existem vrios nichos de mercado que esto crescendo rapidamente buscando
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
Regio Nuclear
Regio Basilar
Figura 20: As cinco classes propostas por Henry, deltas e ncleos destacados em vermelho.
19
de
mincias:
cristas
finais,
bifurcaes,
cruzamentos
pontos
Freqncia Mdia
Tipos de Mincias
% do total de mincias
Pontos (dot)
4.3
18
60.6
258
Bifurcaes (bifurcation)
17.9
76
Ilhas (islands)
0.7
Esporas (spur)
4.7
20
Cruzamentos (crossover)
3.2
14
Pontes (bridge)
2.5
10
6.1
26
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
Hoje, alm do
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
geomtricos20 classificados como arcos, presilhas, verticilos, e outras estruturas mais
detalhadas como cristas finais e cristas bifurcadas, conhecidas como mincias ou
pontos caractersticos21. 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.
Figura 23: a) imagem original; b) imagem aps aplicao de contraste; c) imagem negativa.
(x-1, y-1)
(x-1, y)
(x-1, y+1)
(x, y-1)
(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.
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.
al., 1997b), (Qinghan et al., 1986). Ambos os passos sero detalhados nos itens 3.3.1
e 3.3.2, respectivamente.
se F(i, j) < T
G(i, j) =
(1)
se F(i, j) >= T
Figura 28: (a) Imagem Original, (b) Imagem aps threshold com grade 10.
Figura 29: (a) Imagem Original, (b) Imagem aps thinning aplicado cinco vezes.
- - 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
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)
Figura 32: (a) Imagem Original; (b) Imagem filtrada aps thinning ; (c) Imagem aps aplicao
do filtro para limpeza do esqueleto.
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.
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.
S (0) =
I (i , j + 2 K ) I (i , j )
K = 2
S (1) =
I (i + K , j 2K ) I (i, j)
K = 2
S (2) =
(3)
I (i + 2K , j 2K ) I (i, j)
K = 2
S (3) =
(2)
(4)
I (i + 2K , j K ) I (i, j )
K =2
(5)
S (4) =
I (i + 2 K , j ) I (i , j )
K = 2
S (5) =
S ( 6) =
I (i + 2 K , j + K ) I (i, j )
(7)
I (i + 2 K , j + 2 K ) I (i, j )
(8)
K = 2
2
K = 2
S (7 ) =
(6)
I (i + K , j + 2 K ) I (i , j )
K = 2
(9)
Obtendo-se estas somatrias, S0, S1, S2,...S7, possvel definir as oito possveis
direes (Figura 35).
Sp = min Si
i=0...7
Sq = max Si
i=0...7
(10)
p se ( 4C + Sp + Sq) <
d=
3
8
Si
i=0..7
(11)
q caso contrrio
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):
Sd =
| f (i, j )
K =1
fd ( ik , jk ) |
para d =1,...,N
(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
maior ao longo das direes da crista ortogonal. Cada pixel da imagem recebe um
valor de direo chamado de mapa direcional (Figura 36)24.
24
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 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 submatriz.
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 42: Diferena de ngulos entre a classe Arco Angular e Presilha Esquerda,
respectivamente.
cl =
1
n
sin (i - )
(13)
i=1..n
A operao threshold, tambm conhecida como binarizao ou limiar, pode ser vista
detalhadamente no item 3.3.1.
presilha
esquerda caso contrrio,
Imagem Direcional
Imagem Binria
Imagem Entrada
Afinamento
Extrao Mincias
Para obteno das direes foi detalhado no item 4.1.1 o clculo da imagem direcional.
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.
28
CN = 0.5 | Pi Pi +1|
(15)
30
P4
P3
P2
P5
P1
P6
P7
P8
Mincias
Crossing Number
(propriedades)
0
Ponto isolado
Ponto final
Ponto contnuo
Ponto bifurcado
Ponto cruzamento
Figura 45: (a) Imagem Original, (b) Extrao de mincias correspondentes s cristas finais e s
cristas bifurcadas.
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
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).
utilizados
para
verificao,
descartando
possibilidade
de
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.
As
imagens
devem
apresentar
pontos
singulares
(ncleos
deltas),
ndices abaixo:
!
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.
37
Figura 53: Interface grfica - (a) mapa direcional por seno-cosseno, (b) mapa direcional por
moda.
40
41
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.
S
U
A
V
I
Z
A
MODA
8 direes
SEN-COS
16 direes
8 direes
16 direes
8 imagens C.A. sem 12 imagens C.A. sem 2 imagens C.A. sem 3 imagens C.A. sem
G
r
a
d
e
8
G
r
a
d
e
10
G
r
a
d
e
12
contraste;
contraste;
contraste;
contraste;
7 permaneceram C.A.
aps contraste;
3
novas
imagens
foram
C.A.
aps
contraste.
10 imagens C.A. sem
9 permaneceram C.A.
aps contraste;
6
novas
imagens
1 nova imagem foi C.A. foram
C.A.
aps
aps contraste.
contraste.
contraste;
8 permaneceram C.A.
aps contraste;
1 nova imagem foi C.A.
aps contraste.
sem contraste;
contraste;
1 permaneceu C.A.
aps contraste;
Nenhuma imagem foi
C.A. aps contraste.
1 permaneceu C.A.
aps contraste;
5
novas
imagens
foram
C.A.
aps
contraste.
9 imagens C.A. sem Nenhuma imagem C.A. 8 imagens C.A. sem
sem contraste;
contraste;
contraste;
7 permaneceram C.A.
aps contraste;
3 novas imagens
foram C.A. aps
contraste.
LEGENDA:
C.A. = Classificadas Automaticamente
7 novas imagens
foram C.A. aps
contraste.
1 permaneceu C.A.
aps contraste;
2 novas imagens
foram C.A. aps
contraste.
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 todos os casos onde a Moda foi utilizada, melhores resultados foram obtidos
para imagens originais sem aplicao do filtro de contraste;
S
U
A
V
I
Z
A
MODA
8 direes
SEN-COS
16 direes
8 direes
16 direes
25 imagens C.A. sem 16 imagens C.A. sem 4 imagens C.A. sem 1 imagem C.A. sem
G
r
a
d
e
8
contraste;
contraste;
contraste;
contraste;
10 permaneceram C.A.
aps contraste;
3
novas
imagens
foram
C.A.
aps
contraste.
5 permaneceram C.A.
aps contraste;
2
novas
imagens
foram
C.A.
aps
contraste.
Nenhuma
imagem
permaneceu C.A. aps
contraste;
6
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.
Nenhuma
imagem
permaneceu C.A. aps
contraste;
5
novas
imagens
foram
C.A.
aps
contraste.
3 imagens C.A. sem
G
r
a
d
e
10
contraste;
contraste;
16 permaneceram C.A.
aps contraste;
9
novas
imagens
foram
C.A.
aps
contraste.
9 permaneceram C.A.
aps contraste;
13
novas
imagens
foram
C.A.
aps
contraste.
contraste;
Nenhuma
imagem
permaneceu C.A. aps
contraste;
7
novas
imagens
foram
C.A.
aps
contraste.
33 imagens C.A. sem 28 imagens C.A. sem 7 imagens C.A. sem 5 imagens C.A. sem
G
contraste;
contraste;
contraste;
r contraste;
Nenhuma
imagem Nenhuma imagem
a 20 permaneceram C.A. 12 permaneceram C.A. permaneceu C.A. aps permaneceu C.A. aps
d aps contraste;
aps contraste;
contraste;
contraste;
e
8 novas imagens
10 novas imagens
8 novas imagens
15 novas imagens
12
foram C.A. aps
foram C.A. aps
foram C.A. aps
foram C.A. aps
contraste.
contraste.
contraste.
contraste.
LEGENDA:
C.A. = Classificadas Automaticamente
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 todos os casos onde a Moda foi utilizada, melhores resultados foram obtidos
para imagens originais sem aplicao do filtro de contraste;
S
U
A
V
I
Z
A
MODA
8 direes
SEN-COS
16 direes
8 direes
16 direes
23 imagens C.A. sem 19 imagens C.A. sem 3 imagens C.A. sem 5 imagem C.A. sem
G
r
a
d
e
8
contraste;
contraste;
contraste;
contraste;
7 permaneceram C.A.
aps contraste;
6
novas
imagens
foram
C.A.
aps
contraste.
12 permaneceram C.A.
aps contraste;
10
novas
imagens
foram
C.A.
aps
contraste.
Nenhuma
imagem
permaneceu C.A. aps
contraste;
4
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.
4 imagens C.A. sem
contraste;
Nenhuma
imagem
permaneceu C.A. aps
contraste;
4 novas imagens
foram C.A. aps
contraste.
Nenhuma
imagem
permaneceu C.A. aps
contraste;
12
novas
imagens
foram
C.A.
aps
contraste.
10 imagens C.A. sem
G
r
a
d
e
10
G
r
a
d
e
12
contraste;
contraste;
11 permaneceram C.A.
aps contraste;
4
novas
imagens
foram
C.A.
aps
contraste.
29 imagens C.A. sem
17 permaneceram C.A.
aps contraste;
5
novas
imagens
foram
C.A.
aps
contraste.
29 imagens C.A. sem
contraste;
contraste;
18 permaneceram C.A.
aps contraste;
3 novas imagens
foram C.A. aps
contraste.
22 permaneceram C.A.
aps contraste;
2 novas imagens
foram C.A. aps
contraste.
contraste;
2 permaneceram C.A.
aps contraste;
13
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:
C.A. = Classificadas Automaticamente
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 todos os casos onde a Moda foi utilizada, melhores resultados foram obtidos
para imagens originais sem aplicao do filtro de contraste;
automtica sem utilizao do filtro de contraste para cada banco de dados testado: o
DSPAMI, o NISTDB e o FINGDB.
B anco de D ados - D SP A M I
M t o d o s e D ir e e s
s e n c o s 1 6 d ire e s
s e n c o s 8 d ire e s
m o d a 1 6 d ire e s
m o d a 8 d ire e s
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
P o r c e n t a g e m d e im a g e n s C la s s if ic a d a s A u t o m a t ic a m e n t e
M todos e Direes
sencos 16 direes
sencos 8 direes
moda 16 direes
moda 8 direes
10
15
20
25
30
35
40
45
50
55
60
M todos e D irees
sencos 16 direes
sencos 8 direes
m oda 16 direes
m oda 8 direes
10
15
20
25
30
35
40
45
50
55
60
65
Etapas da
Classificao
Imagem Direcional
Suavizao Seno-Cosseno
Suavizao Moda
PoincarClassificao
Tempo Total
Moda
16 direes
Seno-Cosseno
8 direes
Seno-Cosseno
16 direes
1018 ms
927 ms
713 ms
931 ms
456 ms
325 ms
334 ms
328 ms
221 ms
202 ms
220 ms
203 ms
350 ms
325 ms
345 ms
340 ms
1589 ms
1454 ms
1278 ms
1474 ms
45
46
Figura 62: Interface grfica aps afinamento e aplicao do filtro para limpeza do esqueleto.
49
Etapas da Verificao
Binarizao
10,6 s
Afinamento
1 min 50 s
Filtro I
5,0 s
Mincias
7,0 s
Filtro II
41 s
Comparao
Tempo Total
19,4 s
188 s (3 min 8 s)
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.
(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.
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.
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 -
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)
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.
Lista de Programas
direcionais
possveis
(por
exemplo,
S(0),
S(1),
S(2),....,
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:
!
4) FILTRO I: dado o esqueleto das imagens, aplica-se um filtro que permite limpar
estas imagens afinadas.
Funes Internas:
!
COMPARA: Esta
Boto INICIAR
Boto BINARIZAO
Boto FILTRO I
Boto MINCIAS
Boto FILTRO II