proposta de um sistema de identificação multibiométrico … · multibiométrico utilizando uma...
TRANSCRIPT
Proposta de um Sistema de Identificação Multibiométrico Utilizando
Reconhecimento de Faces e Padrões Gestuais
Cláudio C. S. de Freitas, Roger F. L. Chavez, Yuzo Iano Faculdade de engenharia elétrica e computação, DECOM, UNICAMP
13083-852, Av. Albert Einstein – 400, Campinas, SP
E-mail: [email protected], [email protected], [email protected]
Palavaras-chaves: Processamento de sinais, multibiometria, face, gestos.
Resumo: O propósito deste trabalho será desenvolver um sistema de reconhecimento
multibiométrico utilizando uma rede neural artificial (RNA) backpropagation, e relacioná-lo com o desempenho dos sistemas monobiométricos investigados. As características monobiométricas
analisadas são a face e padrões gestuais, e o sistema multibiométrico se trata da combinação dessas duas técnicas. O objetivo deste trabalho é desenvolver um sistema de reconhecimento biométrico
que apresenta resultados melhores e com baixo custo, considerando que os atuais sistemas utilizam
em sua maioria características monobiométricas e a necessidade de aumentar a segurança desses sistemas é cada vez maior.
1. Introdução
Considerada como uma das principais tecnologias do milênio [1], o reconhecimento biométrico,
ou simplesmente “biometria”, refere-se a área que estuda o reconhecimento de pessoas se baseando
em uma ou mais características físicas ou comportamentais.
Apesar de seguros, os sistemas que utilizam apenas uma característica biométrica
(monobiométricos) apresentam desvantagens que interferem diretamente na adoção comercial desses
sistemas. Isso envolve a falsificação de características biométricas suscetíveis a fraudes.
Essa falha motivou a necessidade de contornar as desvantagens dos sistemas biométricos e
verificou-se que o desenvolvimento de sistemas multibiométricos, também conhecidos como
multimodais, é uma alternativa promissora para substituí-los ou complementá-los.
O propósito deste trabalho será desenvolver um sistema de reconhecimento multibiométrico
utilizando uma rede neural artificial (RNA) backpropagation, e compará-lo com o desempenho dos
sistemas monobiométricos investigados. As características monobiométricas analisadas são a face e
padrões gestuais, e o sistema multibiométrico se trata da combinação dessas duas técnicas.
2. Fundamentação Teórica
Uma boa informação biométrica deve ser mensurável, distintiva e invariante ao longo do tempo.
Os sensores de captura devem ser não intrusivos e facilmente aceitos, assim como, possuir fácil
utilização, baixo custo, ser preciso e rápido [2]. Uma grande vantagem de sistemas biométricos é que
apresentam um alto nível de segurança, e principalmente, esses sistemas são baseados em
características que o usuário não pode perder ou esquecer. Isso é uma vantagem tanto para o usuário
como para o sistema, porque não existe mais a necessidade de gerenciar senhas, cartões ou tokens
que podem ser perdidos, roubados ou utilizados temporariamente [3].
A análise de faces é um problema multidisciplinar. De acordo com Chellappa et al. [4], pesquisas
na área de reconhecimento facial oferecem diversas oportunidades que desafiam engenheiros e
cientistas da área ao longo dos anos. A RNA é um método comumente utilizado em problemas que
envolvem análise de padrões, podendo ser utilizada em sistemas de reconhecimento biométrico.
Reddy et al. [5] investigam a utilização de RNA na classificação de faces a partir de características
e regiões do rosto como boca, olhos e nariz.
Além do reconhecimento de faces, neste trabalho também será utilizado o reconhecimento de
padrões gestuais. Esse é um método menos explorado na literatura em relação a trabalhos
publicados na área de reconhecimento facial, por outro lado, apresenta resultados interessantes e
que possuem níveis de seguranças adequados para complementação do sistema final de
multibiometria. Em uma das pesquisas mais recentes, Mitra e Tinku [7] fazem um estudo geral
acerca dos aspectos que envolvem reconhecimento de gestos envolvendo mãos, braços, corpo ou
cabeça. Neste trabalho, será dada ênfase na detecção de gestos e padrões das mãos. Estes gestos
podem ser estáticos (imagens capturadas) ou dinâmicos (movimentos manuais).
24
ISSN 2317-3297
2.3. Sistemas Multibiométricos
Sistemas de reconhecimento biométrico que combinam diferentes características, tem chamado a
atenção para estudos nesta área e pesquisadores tem projetado diversos sistemas combinando
face/impressão digital, face/voz e face/íris [8].
Deriche [9] apresenta algumas das principais vantagens desse tipo de sistema, onde sistemas
multibiométricos estão relacionados com a questão da não-universalidade encontrada em sistemas
monobiométricos.
Esses sistemas também dificultam a ação de impostores, aumentando a complexidade em
falsificar mais de um sistema biométrico. Além disso, esses sistemas são tolerantes a falhas que
possam ocorrer quando existe uma fonte biométrica não confiável devido ao mau funcionamento de
um dos sensores ou do software, ou então, da manipulação do usuário.
Na literatura é possível encontrar uma grande variedade de combinações de características
monobiométricas, tais como combinação de faces 2D e 3D [10], face e voz [11], face e palma da
mão [12], face e características faciais [13] e face e impressão digital. [13]. Abate et al. [14]
propõem uma arquitetura mais robusta e combinam três diferentes características biométricas: a face,
impressão digital e orelha.
3. Desenvolvimento
Neste trabalho, a proposta é desenvolver um sistema multibiométrico que utiliza a combinação
do reconhecimento facial com padrões gestuais utilizando RNA Backpropagation. Essa combinação
é explorada por outros autores, utilizando métodos e objetivos diferentes, como Bhurane e Talbar
[15] que utilizam a combinação de face e padrões gestuais para o controle de um robô.
As imagens faciais serão obtidas através do banco de dados CASIA-FaceV5 [16]. Este banco de
dados foi criado pela Biometrics Ideal Test na China, e disponibiliza gratuitamente suas imagens
para pesquisadores, somente para fins de pesquisa e estudos na área. Para a captura de imagens de
padrões gestuais, a base de dados será gerada pelo próprio autor, utilizando uma câmera de vídeo
com resolução de 2.0 Megapixels da Microsoft.
Na etapa de testes, foram feitos estudos preliminares com pessoas do laboratório para verificar o
desempenho do sistema. A primeira etapa do processo é obter as imagens de interesse. Para isso, foi
instalada uma estrutura para capturar as imagens de interesse, como apresentado na figura 2.
Figura 2. Obtenção de imagens de interesse
Após a captura e processamento das imagens obtidas, estas são submetidas ao processo de
verificação através de uma RNA. Os parâmetros escolhidos para a RNA são apresentados na tabela
1:
Tabela 1. Parâmetros de treinamento da RNA
Parâmetro Face Padrões Gestuais
Neurônios 100 500
Função de
transferência
Conjugado gradiente com reinício Conjugado gradiente com reinício
Função de ativação Sigmóide Sigmóide
Taxa de aprendizado 10 10
Momentum 0.9 0.9
Época 1000 1000
Erro 0.001 0.001
25
ISSN 2317-3297
A seguir, são apresentados detalhes de como foi realizado o procedimento para detecção e
reconhecimento multibiométrico. As imagens apresentadas neste artigo foram obtidas pelo próprio
autor.
O padrões gestuais foram gerados no laboratório, nos quais servirão como uma chave gestual
(token) para confirmar a identidade de uma pessoa. Cada sujeito será relacionado com um
determinado padrão gestual, que irá servir como uma maneira de aumentar a precisão e
confiabilidade do sistema de reconhecimento facial. A figura 3 apresenta algumas imagens obtidas
pelo sistema de captura.
Figura 3. Padrões gestuais submetidos para a RNA
Nesta etapa, a captura tem o papel de obter a imagem e submeter a mesma para um sistema de
correção de iluminação na imagem de face, através de correção do fator gama, filtragem por
diferença de gaussianas e equalização de contraste [17]. Na figura 4 são apresentadas algumas
imagens obtidas a partir do algoritmo proposto para captura e processamento de faces.
Figura 4. Faces com correção de iluminação submetidas para a RNA
4. Resultados Preliminares
Todas as etapas de processamento foram realizadas utilizando computadores com as seguintes
configurações: Processador Intel Core 2 Quad, 4GB de memória RAM e HD de 500GB.
Para os testes preliminares, foram utilizadas imagens biométricas de 12 sujeitos, onde cada
pessoa possui cinco imagens faciais e cinco padrões gestuais individuais. O número pequeno de
imagens para treinamento se deu em função das limitações de participantes disponíveis, no entanto,
para fins de verificação de desempenho do modelo proposto, essa quantidade é aceitável. Porém,
após a etapa de verificação da eficiência do método proposto, a base de dados para testes será
aumentada com o objetivo de atingir uma significância estatística aceitável.
Para o treinamento das imagens faciais, foram submetidas três imagens para a RNA e as duas
restantes foram utilizadas para testes. Da mesma forma, três imagens com padrões gestuais foram
submetidos para testes e as duas imagens restantes foram testadas. Os resultados preliminares são
mostrados na tabela 2.
Tabela 2. Resultados preliminares
Método de reconhecimento Taxa de acerto %
Facial 75%
Padrão Gestual 83%
Face e Padrão Gestual 91%
5. Considerações Finais
Sistemas de reconhecimento monobiométricos possuem de fato níveis de confiança melhores que
sistemas usuais, como senhas, cartões de identificação, etc. Entretanto, estes sistemas podem ter seu
desempenho melhorado quando aplicado uma combinação de características biométricas. Assim,
esse trabalho propõe um sistema multibiométrico utilizando o reconhecimento facial e padrões
gestuais, com o objetivo de atingir taxas maiores de acertos e precisão no reconhecimento de
usuários.
Os resultados preliminares mostram que a proposta apresenta um bom desempenho para
situações em que a base de dados e testes é pequena, e é possível observar uma melhoria do método
multibiométrico, em relação aos sistemas de reconhecimento monobiométricos. Os próximos passos
26
ISSN 2317-3297
envolvem ajustes do sistema de reconhecimento de características e o aumento da base de dados para
testes, com o objetivo de aumentar o desempenho do sistema multibiométrico.
Finalmente, espera-se que essa proposta seja uma alternativa para o desenvolvimento de uma
solução de segurança de baixo custo e com uma alta taxa de confiabilidade para situações que
exigem verificação de identidade, controle de acesso, entre outros.
6. Agradecimentos
Os autores agradecem o apoio financeiro das seguintes instituições: FAPESP, CNPQ,
PROEX/CAPES e UNICAMP, que viabilizaram o desenvolvimento deste projeto.
Referências
[1] A. Chowdhury, “Revolution in authentication process by using biometrics,” 2011 International
Conference on Recent Trends in Information Systems, pp. 36-41, Dec. 2011.
[2] S. Prabhakar, A. Ivanisov, and A. Jain, “Biometric recognition: Sensor characteristics and image
quality,” IEEE Instrumentation & Measurement Magazine, vol. 14, no. 3, pp. 10-16, Jun. 2011.
[3] V. Matyas and Z. Riha, “Security of biometric authentication systems,” in 2010 International
Conference on Computer Information Systems and Industrial Management Applications (CISIM),
2010, pp. 19-28.
[4] R. Chellappa, P. Sinha, and P. J. Phillips, “Face Recognition by Computers and Humans,” Computer,
vol. 43, no. 2, pp. 46-55, Feb. 2010.
[5] N. V. Reddy, D. A. Krishna, P. S. Reddy, and R. Shirisha, “Neural network based intelligent local face
recognition using local pattern averaging,” in 2011 3rd International Conference on Electronics
Computer Technology, 2011, pp. 363-367.
[6] J.-M. Kim and M.-A. Kang, “A Study of Face Recognition Using the PCA and Error Back-
Propagation,” 2010 Second International Conference on Intelligent Human-Machine Systems and
Cybernetics, no. 1, pp. 241-244, Aug. 2010.
[7] S. Mitra and T. Acharya, “Gesture Recognition: A Survey,” IEEE Transactions on Systems, Man and
Cybernetics, Part C (Applications and Reviews), vol. 37, no. 3, pp. 311-324, May 2007.
[8] A. Ross, “An Introduction to Multibiometrics,” 2007, pp. 20-24.
[9] M. Deriche, “Trends and Challenges in Mono and Multi Biometrics,” in 2008 First Workshops on
Image Processing Theory, Tools and Applications, 2008, pp. 1-9.
[10] G. P. Kusuma, C.-S. Chua, and H.-L. Toh, “Recombination of 2D and 3D Images for Multimodal 2D +
3D Face Recognition,” 2010 Fourth Pacific-Rim Symposium on Image and Video Technology, pp. 76-
81, Nov. 2010.
[11] M. Nagesh Kumar and M. N. Shanmukha Swamy, “An efficient multimodal biometric face recognition
using speech signal,” 2010 International Conference on Signal and Image Processing, pp. 201-206,
Dec. 2010.
[12] C. Lu, J. Wang, and M. Qi, “Multimodal Biometric Identification Approach Based on Face and
Palmprint,” 2009 Second International Symposium on Electronic Commerce and Security, pp. 44-47,
2009.
[13] N. S. Lakshmiprabha, J. Bhattacharya, and S. Majumder, “Face recognition using multimodal
biometric features,” 2011 International Conference on Image Information Processing, no. Iciip, pp. 1-
6, Nov. 2011.
[14] A. F. Abate, M. Nappi, D. Riccio, and M. D. Marsico, “Face, Ear and Fingerprint: Designing
Multibiometric Architectures,” in 14th International Conference on Image Analysis and Processing
(ICIAP 2007), 2007, no. Iciap, pp. 437-442.
[15] A. A. Bhurane and S. N. Talbar, “Vision-based authenticated robotic control using face and hand
gesture recognition,” in 2011 3rd International Conference on Electronics Computer Technology,
2011, pp. 64-68.
[16] BIT, “Biometric Ideal Test,” 2011. [Online]. Available: http://biometrics.idealtest.org/. [Accessed: 04-
Apr-2012].
[17] X. Tan and B. Triggs, “Enhanced Local Texture Feature Sets for Face Recognition Under Difficult
Lighting Conditions,” Image Processing, IEEE Transactions on, vol. 19, pp. 1635 –1650, 2010.
27
ISSN 2317-3297