USP - EESC

IntroduIntroduççãoãoO controle de acesso para prevenir abusos.O roubo de identidade.Interesse crescente no desenvolvimento de sistemas de identificação pessoal confiáveis.Aplicações civil, comercial e financeira.

USP - EESC

Método de identificação baseado em características físicas ou comportamentais.Principal fator inibitório: alto custo dos equipamentos.As medidas de geometria da mão são facilmente conseguidas e facilmente integrável com outras medidas biométricas em um sistema multi-modal.

Ciência que estuda a mensuração dos seres vivos...investiga atributos biológicos quantitativos pertinentes a uma população

de seres vivos. (FERREIRA,2001)

BiometriaBiometria

USP - EESC

Tempo de aprendizagem, execução, número de amostras requeridas no treinamentoRelação entre taxas de detecção e alarmes falsos: FAR: percentagem de usuários não-autorizados que são incorretamente identificados como usuários válidos. FRR: percentagem de usuários autorizados que são incorretamente rejeitados. É um fator primário na avaliação de sistemas biométricos. (FIORESE, 2000)Quanto maior for a o número de características armazenadaspelo sistema biomético, maior será o percentual de acerto.A falsa rejeição causa frustração e a falsa aceitação causa fraude.

AvaliaAvaliaçção de desempenho dos ão de desempenho dos mméétodos biomtodos bioméétricostricos

USP - EESC

Características intrínsecas na palma das mãos:São extraídas as principais linhas.Determina e processa segmentos de linhas verticais.Linhas principais e rugas grossas; o eixo principal passa por estes pontos.(Shu,1998).Baixa resolução espacial, comparável a uma imagem de impressão digital.

AvaliaAvaliaçção de desempenho dos ão de desempenho dos mméétodos biomtodos bioméétricostricos

USP - EESC

Extração das características lineares da palma da mão (Shu,1998)

AvaliaAvaliaçção de desempenho dos ão de desempenho dos mméétodos biomtodos bioméétricostricos

USP - EESC

Sanchez Reillo (Reillo,2000) método composto de cinco passos:

Diagrama do Sistema Biométrico de Reconhecimento(Reillo,2000)

AvaliaAvaliaçção de desempenho dos ão de desempenho dos mméétodos biomtodos bioméétricos: Dorso da mãotricos: Dorso da mão

USP - EESCDiferentes visões do protótipo de captura através da

câmera CCD

Bloco de decisãobaseado em um “threshold”Taxas de erro abaixode 5%utilizou-se 10 imagens de 20 usuários.Pinos para nortear a posição dos dedos.

AvaliaAvaliaçção de desempenho dos ão de desempenho dos mméétodos biomtodos bioméétricos: Dorso da mãotricos: Dorso da mão

USP - EESC

“Scanner” de mesaa mão poderia ser colocada em qualquer ponto

do “scanner”, no sentido vertical. dedos separados. 10 varreduras da mão direita de 70 pessoas.Extração de 30 características, armazenadasem um vetor característico.O algoritmo de extração foi omitido.Métrica de similaridade.

AvaliaAvaliaçção de desempenho dos ão de desempenho dos mméétodos biomtodos bioméétricos: tricos: Bulatov et al.

USP - EESC

Dorso da mãoCaptura através de uma grade

paralela projetada por uma lâmpada fluorescente, Inclinação de 45ºA sombra da grade é

deformada pela curvatura da mão. Distorção da imagem na grade capturada por uma câmera CCD. Codificada por “quadtree”Comparação por matching.Gera arquivos pequenos.A mão do usuário deve ser colocada cinco vezes

AvaliaAvaliaçção de desempenho dos ão de desempenho dos mméétodos biomtodos bioméétricos: tricos: Lay,1999

Erro no reconhecimento: troca minúscula de posição da mão

USP - EESC

Universidades e empresas unem-se em busca de segurança e de novas tecnologias.O HandPunch captura uma imagem tridimensional da mão (HAND,2000) baseado exclusivamente nos tamanhos e forma individuais das mãos.

Sistemas Comerciais de Reconhecimento de Mãos

USP - EESC

1. Proposta do Trabalho:Implementar um algoritmo simples para extração de características de imagens de mãos obtidas através de scanners de mesa;extrair como características de classificação as medidas máximas e mínimas da distância dos dedos ao centro do pulso, na palma da mão esquerda;avaliar a eficiência dessas características usando-se um classificador para distância mínima.

MetodologiaMetodologia e e processamentoprocessamento

USP - EESC

2. Considerações prévias:As imagens adquiridas são

processadas para extração de características de contorno 2D.

Resoluções do scanner até 600 dpi( utilizou-se 200 dpi )

A característica “flat”do equipamento de digitalização.

Imagem de até 800x800pixel, com 50% de seu tamanho original.Métrica utilizada: Distância EuclidianaSoftware utilizado: Matlab 6.5Extensão utilizada: bmp

MetodologiaMetodologia e e processamentoprocessamento

USP - EESC

A distância Euclidiana entre dois vetores (x e y) do espaço p dimensional pode ser descrita como:

( ) ( ) ( ) ( )∑=

−=−++−+−=p

iiippxy yxyxyxyxd

1

22222

211 L

para i = 1,2,3 .....p

dxy distância entre os vetores x e y, e xi é o valor do i-ésimotermo do vetor x.

quanto mais próximos os objetos estão, mais próximo de zero éo valor de dxy,

Metodologia: Distância Metodologia: Distância EuclidianaEuclidiana

USP - EESC

Pode-se escrever a média como:

Somatório dos vetores na posição xi , dividido pelo número de elementos.

onde s é o desvio padrão, n o número de usuários.

A variância é definida como o desvio quadrático médio da média e é calculada de uma amostra de dados como:

Metodologia: Metodologia: MMéédia,variânciadia,variância

USP - EESC

A raiz quadrada da variância representa o desvio padrão, medido nas mesmas unidades dos dados originais, i.e:

Para qualquer conjunto de dados, pelo menos 75% deles fica dentro de uma distância da média de duas vezes o desvio padrão da média, i.e. entre(LANDIM,1997):

+2s-2s e

Metodologia: Metodologia: DesvioDesvio PadrãoPadrão

USP - EESC

3. Scanner de mesa comum, tendo sobre ele uma caixapreta.Mão esquerda sobre o scanner, dedos separadosnaturalmente(distância de 1 a 2 pixels é suficiente)Base da palma da mãoapoiada na parte inferior do scanner.

Metodologia: AquisiMetodologia: Aquisiçção da ão da imagemimagem

USP - EESC

Imagem adquirida por varredura

4. Algoritmo:4.1 Leitura da a imagem escaneada.4.2. Padrão RGB: Imagem(:,:,1))/255

utilizou-se o canal R(vermelho)4.3. Retirar ruídos da imagem, linhas e traços característicos:

Suavização morfológica: atenua artefatos claros, escurosou ruídos.

MetodologiaMetodologia e e processamentoprocessamento

USP - EESC

Filtro morfológico: Elemento estruturado em

forma de disco com raio de 25 pixels.

Função:Remover granulações que

sejam menores que o raio criando uma estrutura uniforme em forma de disco.

4.44.4 thresholdthreshold: imagem binária dos contornos da palma da mão.

MetodologiaMetodologia e e processamentoprocessamento

USP - EESC

thresholdthreshold(limiarização)

Obteve-se uma imagem binária dos

contornos da palma da mão.

4.5 imagem redimensionada em

900x900 pixels

MetodologiaMetodologia e e processamentoprocessamento

USP - EESC

255 tons na imagemno canal R(RGB)

ThresholdImagembinária

Imagem limpa,Sem ruídos, para oPróximo passo

Aplicação de filtromorfológico

Imagem de entrada

Gráfico das distâncias

ProcessamentoProcessamento

USP - EESC

5. Gráfico dasDistâncias5.1: Procura o centro do pulso.5.2. Contorno da imagema procura de zeros e uns.5.3 Marca as distânciasdo pulso até os picosencontrados.

O eixo vertical representa a distância do pulso a ponta dos dedos.

O eixo horizontal representa o número de pixels encontrado no contorno da mão.

MetodologiaMetodologia e e processamentoprocessamento

USP - EESC

b

a

b

a

c

b

a

c' c

pf

pc

m pi

O objetivo da função é encontrar o pixel b que segue a no sentido horário no contorno.

Para encontrar b é necessário partir do ponto no contorno que antecedeu a, no caso c e procurar todo pixel adjacente de a até encontrar b

É preciso que haja o ponto c de partida pois por exemplo no caso ao lado há mais que um ponto de contorno.

pc

m pi

A partir de pi, seguindo o sentido horário, é procurado um novo pixel com valor zero.

Quando encontrado o próximo valor zero, é retornado o valor de pfinal (pf).

FunFunççãoão proxpixproxpix

USP - EESC

Algoritmo de determinação das distâncias:

Marca o pixel encontradoem posição de picos e vales.

Marca as distâncias.

As características a serem extraídas para classificação foram determinadas como as distâncias entre os pontos de máximo e de mínimo e o centro do pulso.

SegmentaSegmentaççãoão do do contornocontorno

USP - EESC

Pontos de Máximo e mínimo – plot(distancia)

p.1

p.4

p. 3

p.2p.5

p.6

p7p.9

p.8

p.10

PontosPontos encontradosencontrados

USP - EESC

Dez pontos distintos que formarão o vetor de características. O primeiro valor é a distância do primeiro ponto encontrado na segmentação do contorno (ponto p1) ao centro do pulso. Os outros nove valores:

pontos de maior distância (cumes) e

pontos de menor distâncias (vales) ao centro do pulso. Distância Euclidiana entre os pontos e o centro do pulso.Os valores de máximo e de mínimo são então marcados

p.1

p.4

p. 3

p.2p.5

p.6

p7p.9

p.8

p.10

PontosPontos encontradosencontrados

USP - EESC

Pontos de Máximo e mínimo – plot(distancia)

PontosPontos encontradosencontrados

USP - EESC

São encontrados, em média 75 picos em cada imagem.Redundância de valores obtidos são eliminadas através de uma análise regional. Agrupou-se os pixels de acordo com a região(possível cume ou vale) de acordo com a proximidade.Algoritmo Se a distância entre os picos for inferior ou igual a 25 unificam-se os pontos, caso contrário os pontos são mantidos.

aglomeração de pontos de máximo

PontosPontos encontradosencontrados

USP - EESC

Encontrou-se blocos de valores semelhantes, em seqüência.

1

2

3

7

6

8

9

105

4

USP - EESC

84 amostras de 28 usuários (3 amostras por usuário:para identificar diferenças entre abertura dos dedos, similaridade, falsos negativos e falsos positivos).O vetor de características de cada indivíduo é um elemento do espaço p-vetorial com p = 10. Cada classe de padrões representa três medidas independentes.Calculou-se o vetor protótipo (média) considerando-se as três amostras de cada indivíduo. Utilizando-se a Distância Euclidiana entre a média e cada um dos três vetores extraídos((|a-a1|2)1/2 ;(|a-a2|2)1/2 ;(|a-a3|2)1/2) selecionou-se os dois menores valores de distância, desprezando-se o maior valor.Refez-se a média entre os dois vetores de menor distância da média.

ResultadosResultados e e DiscussõesDiscussões

USP - EESCO resultado geral para todos os usuários e sua menor Distância Euclidiana, é mostrado a seguir

ResultadosResultados e e DiscussõesDiscussões

USP - EESC

USP - EESC

Calculou-se então, a Distância Euclidiana entre o vetor protótipo(média) de cada usuário com a média de todos os outros usuários.Os resultados foram utilizados como parâmetros para averiguar o afastamento entre os vetores de características, se haveriam mãos com medidas próximas entre usuários diferentes.O slide a seguir representa a menor diferença encontrada entre usuários diferentes e a menor distância encontrada para o mesmo usuário.

ResultadosResultados e e DiscussõesDiscussões

USP - EESC

Pg.65 Distância Euclidiana mínima mesmo usuário. D. E. mínima usuários diferentes Maior proximidade entre usuários

A 16,37070554 47,66550115 A - F

B 16,30950643 34,82814953 B - C

C 13,60147051 34,82814953 C - B

D 13,34166406 38,54867053 D - P

E 13,03840481 34,9141805 E - H

F 6,403124237 34,53983208 C - F

G 8,306623863 45,58508528 G - H

H 6,164414003 26,30589288 H - I

I 7 26,30589288 I - H

J 10,67707825 95,21554495 J - D

K 14,69693846 44,11349 K - I

L 8,94427191 47,92702787 L - D

M 32,24903099 33,46640106 M - O

N 5,291502622 67,99954044 N - C

O 19,18332609 33,46640106 O - M

P 18 38,54867053 P - D

Q 16,76305461 75,01333215 Q - E

R 15,03329638 44,38468204 V - R

S 7,615773106 33,10589071 S - G

T 11,35781669 34,68429039 T - Aa

U 4,69041576 33,03028913 U - W

V 4,795831523 24,06242 V - W

X 10,34408043 40,19950248 X - J

Z 30,11644069 48,33218389 Z - Ab

W 7,280109889 16,4924225 W - Aa

Y 5,385164807 28,14249456 Y - Aa

Aa 6,164414003 16,4924225 Aa - W

Ab 7,681145748 34,40930107 Ab - K

USP - EESC

Comparação entre Distâncias Euclidiana

0

10

20

30

40

50

60

70

80

90

100

a c e g i k m o q s u x w Aa

mãos (A..Ab)

Dist

ânci

as e

ncon

trada

s

menor valor individual em cadapessoamenor valor distancia euclidianamédia entre todos

ResultadosResultados e e DiscussõesDiscussões

USP - EESC

Pg. 67-68 Desvio Padrão a - a' Desvio Padrào a - (b..n)'A 1,876953127 33,28991

B 2,833877273 38,85334

C 1,688989049 45,02459

D 0,795760229 50,42187

E 0,095175872 56,85243

F 0,077157143 37,18527

G 0,563679 59,02686

H 0 56,87819

I 0,541960108 53,5766

J 0,661461 64,86139

K 0,360102922 60,88778

L 0,137636274 49,01208

M 0,511289263 48,44254

N 0 42,39574

O 0 58,91409

P 0,205976 44,76149

Q 0,235317 63,83701

R 0,341469 32,16512

S 0,579596 49,60417

T 0,586074 35,16662

U 0,393405 49,71735

V 0,051574 39,08681

X 0,68031 62,88498

Z 0,132237 58,49332

W 0,101602 42,95191

Y 0,735245 43,97719

Aa 0,72568 42,72

Ab 0,769199 66,94223

Desvio Padrão: Os resultados

mostram a separabilidade entre classes

USP - EESC

Representação gráfica do desvio padrão entre os mesmos elementos

96% das médias estão abaixo de 2,0;

Desvio Padrão a - a'

0

0,5

1

1,5

2

2,5

3

1

mãos de A .. Ab

desv

io p

adrã

oABCDEFGHIJKLMNOPQRSTUVXZWYAaAb

USP - EESC

Desvio padrão entre as medidas de usuários diferentes.

Valores acima de 30,0

Desvio Padrão

0

10

20

30

40

50

60

70

80

1

a - (b..n)'

Desv

io P

adrã

oABCDEFGHIJKLMNOPQRSTUVXZWYAaAb

USP - EESC

Comparação do desvio padrão das medidas do mesmo usuário com o desvio padrão entre as medidas de usuários diferentes.

USP - EESC

Fase Quantidade percentualInicial (testes) Mãos testadas 52Final Usuários 28 100%

Mãos analisadas (3 por usuário)

84

Falsos Positivos 1 3,57%Falsos Negativos 2 7,14%

Número de falso positivo e de falso negativo considerando o banco de dados utilizado.

Considerou-se como falso negativo o desvio padrão encontrado superior a 2,8(usuário B).

Considerou-se como falso positivo as diferenças entre usuários (W - Ab)

ResultadosResultados e e DiscussõesDiscussões

USP - EESC

Tecnologia de captura de imagem de baixo custo (scanner de mesa), existente em grande parte dos conjuntos de microcomputadores pessoais localizados em residências, escritórios, ou mesmo para aplicação em curso à distância.O algoritmo proposto obteve resultados satisfatórios de maneira simplificada, empregando medidas de tamanho dos dedos e da palma da mão.Classificação compatível com a proposta de uso do sistema, em situações onde apenas um pequeno número de usuários deva ser autenticado.Discriminou-se corretamente as diversas mãos testadas.Não houve alteração em relação ao comprimento das unhas, pigmentação da pele e utilização de adornos.

ConclusãoConclusão

USP - EESC

O algoritmo apresentou resultados satisfatórios com dedos mais abertos e mais fechados.É possível concluir que o conjunto de valores obtidos para cada mão possibilita a autenticação do usuário. O Algoritmo mostrou-se eficiente, com baixo custo computacional.Baixo custo operacional e valores aceitáveis de desvio padrão.O objetivo de se implementar um algoritmo simples baseado em imagens bi-dimensionais de mão humana, que extraísse características a serem usadas na identificação pessoal, foi alcançado amplamente, podendo ser utilizada como meio de identificação pessoal.

ConclusãoConclusão

USP - EESC

FimFim