processamento de imagens biométricas murilo santos de lima (bolsista fapesb) perfilino eugênio...
TRANSCRIPT
Processamento de Imagens BiométricasMurilo Santos de Lima (bolsista FAPESB)
Perfilino Eugênio Ferreira Júnior (orientador)
Universidade Federal da BahiaDepartamento de Ciência da Computação
Grupo de Algoritmos e Computação Distribuída{muca, perfeuge}@dcc.ufba.br
Biometria
Ciência que estuda a identificação de pessoas através de características físicas Identificadores fisiológicos: impressões
digitais, íris, face Identificadores comportamentais: voz,
assinatura, dinâmica de digitação Problema de verificação (1:1) Problema de reconhecimento (1:n)
Ciência forense
Impressões Digitais: Motivação Segurança
Transações financeiras (MasterCard: $450 bi/ano)
locais restritos Identificação
“double dipping”: $1 bi/ano (EUA) (2000) imigrantes ilegais México -> EUA: -3000/dia
Forense (impressões latentes) Aceitação no meio jurídico, forense e civil Praticidade Baixo custo
AFIS Sistema Automático de Identificação de
Impressões Digitais Arquitetura do sistema:
Comparação (casamento) de Impressões Digitais
Impressão digital: cristas e vales Baseada em pontos característicos
(minúcias)
Etapas:
– Binarização
– Afinamento + Podamento
– Identificação das minúcias
– Filtragem de minúcias falsas
– Comparação
Binarização: quantização para dois níveis de cinza (preto e branco)
Afinamento (thinning): redução da largura das cristas a um único pixel
Podamento (pruning): remoção de pontas geradas pelo afinamento Algoritmos baseados em morfologia
matemática Funcionam mal com imagens ruidosas
Binarização + Afinamento
Podamento
Classificação de Impressões Digitais
Motivação: Largas bases de dados de IDs Alto custo computacional dos algoritmos de
identificação Permite que a identificação seja aplicada
apenas sobre a porção da base de dados cuja classe é a mesma da ID fornecida
Método estudado: Baseado na análise de pontos singulares
(núcleos e deltas), identificados através do Índice de Poincaré
Regras de classificação utilizadas por peritos humanos
Classes de Henry:
Segmentação da imagem Comparação entre dois métodos:
Variância da imagem Magnitude do gradiente
Imagem Direcional Método da soma ponderada das intensidades
da imagem (SPIM) Método da identificação do eixo principal de
variação do gradiente da imagem (IEPVG)
Alterações propostas
Modificação no algoritmo de classificação simplificação da regra para classe verticilo
Heurística para remoção de pontos singulares falsos remoção de conjuntos de pontos próximos
entre si
Resultados Experimentais
Melhor resultado: 57,30% (teste com 2684 imagens)
Erros concentrados nas classes PI, PE e AA Maioria classificada como AP ou V
Comparação entre métodos (a) Tempo de execução
(A) Segmentação por magnitude do gradiente
(B) Segmentação por variância da imagem
(C) Imagem direcional por SPIM
(D) Imagem direcional por IEPVG
(E) idem, com suavização
(b) Taxa de acerto (A, B, C, D, E) idem
(F, G) heurísticas p/ remoção de pontos singulares falsos +) 97,75%(
(H, I) modificação na regra p/ classificação do verticilo (+26,08%)
Conclusões Modificações sugeridas geraram bons
resultados Resultados ainda não satisfatórios Etapa crítica (taxa de acerto e custo
computacional): cálculo da imagem direcional
Suavização da imagem direcional é essencial (melhora na taxa de acerto de 3,7 vezes)
Trabalhos futuros
Teste com outras bases de imagens Outras técnicas de segmentação e
cálculo da imagem direcional Estudo de filtros espaciais lineares (ex.,
filtros de Gabor) Outras abordagens para classificação
(redes neurais, Support Vector Machines) Aprofundamento do estudo das técnicas
de comparação de IDs
Frutos gerados
Short paper publicado no SIBGRAPI 2007 Evento brasileiro de porte internacional,
qualis A pela CAPES Protótipo de um AFIS Possível colaboração com USP – São
Carlos