Embed Size (px)
Citation preview
CCuurrssoo ddee EEnnggeennhhaarriiaa ddee CCoommppuuttaaççããoo
IIMMPPLLEEMMEENNTTAAÇÇÃÃOO DDOO FFIILLTTRROO DDEE GGAABBOORR NNOO
RREECCOONNHHEECCIIMMEENNTTOO BBIIOOMMÉÉTTRRIICCOO PPEELLAA ÍÍRRIISS
Luciano Zago
Campinas – São Paulo – Brasil
Dezembro de 2009
CCuurrssoo ddee EEnnggeennhhaarriiaa ddee CCoommppuuttaaççããoo
IIMMPPLLEEMMEENNTTAAÇÇÃÃOO DDOO FFIILLTTRROO DDEE GGAABBOORR NNOO
RREECCOONNHHEECCIIMMEENNTTOO BBIIOOMMÉÉTTRRIICCOO PPEELLAA ÍÍRRIISS
Luciano Zago
Monografia apresentada à disciplina de Trabalho de Conclusão do Curso de Engenharia de Computação da Universidade São Francisco, sob a orientação do Prof. Ms. Márcio Henrique Zuchini, como exigência parcial para conclusão do curso de graduação. Orientador: Prof. Ms. Márcio Henrique Zuchini
Campinas – São Paulo – Brasil
Dezembro de 2009
IIMMPPLLEEMMEENNTTAAÇÇÃÃOO DDOO FFIILLTTRROO DDEE GGAABBOORR NNOO
RREECCOONNHHEECCIIMMEENNTTOO BBIIOOMMÉÉTTRRIICCOO PPEELLAA ÍÍRRIISS
Luciano Zago
Monografia defendida e aprovada em 15 de Dezembro de 2009 pela Banca
Examinadora assim constituída:
__________________________________________________________________________
Prof. Ms. Márcio Henrique Zuchini (Orientador)
USF – Universidade São Francisco – Campinas – SP.
__________________________________________________________________________
Prof. Ms. Cláudio Maximiliano Zaina
USF – Universidade São Francisco – Campinas – SP.
__________________________________________________________________________
Prof. Ms. Ricardo Augusto de Almeida
USF – Universidade São Francisco – Campinas – SP.
"Como o ferro com ferro se afia,
assim o homem, ao seu amigo.”
Provérbios 27:17
À minha fiel esposa Valdete, companheira
em todos os momentos:
sou eternamente grato
pela luz que és em minha vida,
e pela doçura que torna meus dias felizes.
AAggrraaddeecciimmeennttooss
Ao Deus-Criador, fonte da sabedoria e da ciência, conforto dos momentos de dúvida.
Para sempre seja Louvado!
Aos meus pais, Antonio e Ester, de quem tornei-me fruto de um amor generoso, e
aprendi as melhores lições de caráter e honestidade.
Aos meus filhos queridos, obrigado pela paciência.
Ao professor e amigo Márcio, merecedor do meu respeito e admiração nesses anos de
academia, por sua fidelidade e entusiasmo à vocação de mestre.
Ao professor e amigo André, companheiro nesses longos anos de caminhada.
A todos que se fazem presentes em minha vida, e de quem privei de alguns momentos
para a realização deste trabalho, o meu muito obrigado.
SSuummáárriioo
Lista de Siglas ........................................................................................................................ viii
Lista de Figuras ....................................................................................................................... ix
Lista de Tabelas ........................................................................................................................ x
Resumo ..................................................................................................................................... xi
Abstract .................................................................................................................................... xi
1. Introdução ............................................................................................................................ 1
1.1. Contextualização ........................................................................................................... 1
1.2. Objetivos ....................................................................................................................... 1
1.3. Estrutura do Texto ......................................................................................................... 2
2. Reconhecimento Biométrico pela Íris ................................................................................ 3
2.1. História da Biometria .................................................................................................... 3
2.2. Reconhecimento Biométrico ......................................................................................... 3
2.3. A Íris como Característica Biométrica .......................................................................... 7
2.4. Aplicações e Uso ......................................................................................................... 10
2.5. Trabalhos Relacionados .............................................................................................. 12
2.6. Etapas do Processo de Reconhecimento ..................................................................... 14
3. Representação de Características Biométricas ............................................................... 19
3.1. Filtro de Gabor 2D ...................................................................................................... 19
3.2. Codificação da Imagem da Íris.................................................................................... 22
4. Desenvolvimento do Projeto ............................................................................................. 24
4.1. Métodos ....................................................................................................................... 24
4.2. Implementação do Processo de Reconhecimento ....................................................... 26
4.3. Análise dos Resultados Obtidos .................................................................................. 30
5. Conclusão ............................................................................................................................ 33
5.1. Contribuições .............................................................................................................. 33
5.2. Trabalhos futuros......................................................................................................... 34
Referências Bibliográficas ..................................................................................................... 35
Bibliografia Consultada ......................................................................................................... 37
Anexos ...................................................................................................................................... 38
viii
LLiissttaa ddee SSiiggllaass
1D ou 1-D Unidimensional, de uma única dimensão
2D ou 2-D Bidimensional, de duas dimensões
ATM Automatic Teller Machine (Caixa Eletrônico Bancário)
CCD Charge-Coupled Device (Dispositivo de Carga Acoplado)
CHT Circle Hough Transform (Transformada de Hough para Círculos)
CRT Challenge-Response Test (Teste de Ação-Reação)
DNA Deoxyribonucleic Acid (Ácido Desoxirribonucleico)
EOCHT Edge Oriented CHT (CHT Orientada a Bordas)
FCD Fast Circle Detection (Detecção Rápida de Círculos)
ICAO International Civil Aviation Organization (OCAI, em português)
IRIS Iris Recognition Immigration System (Sistema de Imigração por
Reconhecimento da Íris), utilizado pelo Reino Unido.
NIR Near Infrared (faixa de freqüência próxima ao infra-vermelho)
OCAI Organização da Aviação Civil Internacional (do inglês ICAO)
PDA Personal Digital Assistant (Assistente Pessoal Digital)
V1 Região do cérebro conhecida por Córtex Visual Primário
ix
LLiissttaa ddee FFiigguurraass
Figura 2-1: O olho humano. ....................................................................................................... 7
Figura 2-2: Anatomia da íris humana: (a) Seção transversal. (b) Seção frontal. ........................ 8
Figura 2-3: Exemplo de um padrão baseado na íris. .................................................................. 9
Figura 2-4: (a) Sharbat Gula aos 12 anos. (b) Após 17 anos. (c) John Daugman. ................... 11
Figura 2-5: Marinha Norte-Americana usando scanner de íris. ............................................... 11
Figura 2-6: (a) Imagem capturada da íris. (b) Após localização da íris. (c) Textura
normalizada. (d) Textura após otimização. ...................................................................... 17
Figura 3-1: (a) Visão tridimensional de uma wavelet. (b) Projeção no plano espacial
bidimensional. .................................................................................................................. 20
Figura 3-2: Diagrama de fasores e Demodulação binária. ....................................................... 23
Figura 4-1: Diagrama das classes do banco de dados "IrisCode". ........................................... 25
Figura 4-2 (direita): Representação bidimensional dos conjuntos de Wavelets utilizados....... 27
Figura 4-3: Destaque da íris localizada, imagem normalizada (abaixo) e representação binária
(acima). ............................................................................................................................. 28
Figura 4-4: Variabilidade entre várias amostras de uma mesma íris. ....................................... 30
Figura 4-5: Variabilidade entre amostras do lado direito e esquerdo de um mesmo indivíduo.
.......................................................................................................................................... 31
Figura 4-6: Variabilidade entre amostras de indivíduos distintos. ........................................... 31
x
LLiissttaa ddee TTaabbeellaass
Tabela 1 – Comparação entre várias tecnologias biométricas. ................................................... 5
Tabela 2 – Citações aos trabalhos publicados sobre biometria da íris. .................................... 13
Tabela 3 – Representação visual do método de Wavelets de Gabor 2D................................... 21
Tabela 4 – Amostras de sinais de entrada submetidos ao Filtro de Gabor 2D. ........................ 22
Tabela 5 – Cálculo da entropia discriminatória, conforme Daugman. ..................................... 23
Tabela 6 – Detalhe das etapas do processo de detecção e processamento da íris. ................... 26
Tabela 7 (esquerda) – Parâmetros adotados para criação dos bancos de Wavelets Gabor 2D. 27
Tabela 8 – Desempenho das etapas do processo de reconhecimento da íris. ........................... 29
xi
RReessuummoo
Com o desenvolvimento da sociedade atual, com o aumento da criminalidade e do
terrorismo internacional, a identificação pessoal baseada em biometria tem recebido cada vez
mais atenção. O reconhecimento pela íris possui um desempenho satisfatório devido ao alto
grau de confiabilidade e por ser não-invasiva. Do ponto de vista teórico, a modelagem das
células simples do córtex visual do cérebro como funções bidimensionais de Gabor (2D)
apresentado por alguns autores proporcionam a representação eficaz e confiável das
informações biométricas da íris. Este cenário motivou o aprofundamento nos principais
aspectos técnicos e científicos envolvidos na identificação de indivíduos a partir da imagem
da íris, e realizar uma abordagem prática com a implementação de um protótipo de sistema de
identificação biométrico.
PALAVRAS-CHAVE: Biometria, Reconhecimento da íris, Filtro de Gabor 2D.
AAbbssttrraacctt
With the development of the current networked society, criminality and international
terrorism, personal identification based on biometrics has received more and more attention.
Iris recognition has a satisfying performance due to its high reliability and non-invasion. On
the theoretical side, simple cells in the visual cortex modeling by bidimensional (2D) Gabor
functions proposed by some authors provide an efficient and reliable representation of the iris
biometric information. This scenario has motivated to deepen on main technical and scientific
aspects involved on individual identification through iris image, and realize a practical
approach by implementing a biometric identification system prototype.
KEY WORDS: Biometrics, Iris recognition, 2D Gabor Filter.
1
11.. IINNTTRROODDUUÇÇÃÃOO
11..11.. CCoonntteexxttuuaalliizzaaççããoo
Características biométricas são características físicas ou comportamentais singulares de
cada indivíduo e que podem, portanto, ser utilizadas em sistemas de identificação. Os esforços
para desenvolver formas mecânicas mais confiáveis, rápidas e não-intrusivas de identificação
biométrica resultam do crescente interesse por aplicações de reconhecimento de pessoas.
O aumento da criminalidade e do terrorismo internacional tem contribuído de forma
decisiva na crescente preocupação com questões de segurança em todo o mundo, desde a
evitar fraudes e falsificações em documentos até, garantir segredos industriais envolvendo
patentes ou a prioridade no lançamento de produtos antecipadamente. Diante disso, garantir
sistemas e serviços seguros é um dos grandes problemas encontrados por países, indústrias e
organizações de maneira geral.
Atualmente, existem várias tecnologias de reconhecimento biométrico: digitais, face,
íris, retina, voz, assinatura e outros. Algumas destas técnicas ainda estão em estágio de
pesquisa e outras já disponíveis como aplicações de uso comercial. Os sistemas biométricos
baseados no reconhecimento da íris possuem um alto grau de confiabilidade, sendo aplicáveis
em diversas áreas, sejam para fins comerciais, governamentais ou forenses.
11..22.. OObbjjeettiivvooss
Este cenário motivou a realização da presente pesquisa, cujo propósito é aprofundar o
entendimento sobre os principais aspectos técnicos e científicos envolvidos na identificação
de indivíduos a partir da imagem da íris, e realizar uma abordagem prática com a
implementação de um protótipo de sistema de identificação biométrico.
Mais precisamente, este trabalho enfoca as seguintes questões:
o apresentar os aspectos, conceitos e etapas envolvidos no reconhecimento
biométrico pela íris e os trabalhos dos principais autores;
o aprofundamento nos conceitos teóricos envolvidos nas funções de Gabor 2D e no
método de representação das imagens capturadas, utilizando-os na implementação
de algoritmo para geração de vetores de assinaturas dos indivíduos;
o implementação de métodos de busca dos vetores de assinatura ao banco de dados
baseado no cálculo de Distância de Hamming, a fim de identificar um indivíduo
2
comparando suas informações com as registradas no banco de dados;
o construção de protótipo de sistema de reconhecimento biométrico, que implemente
uma arquitetura básica com interface para registro, armazenamento em banco de
dados e comparação, visando a identificação de indivíduos.
11..33.. EEssttrruuttuurraa ddoo TTeexxttoo
A Seção 1 introduz resumidamente o tema abordado por esta monografia, sua
motivação e objetivos propostos.
A Seção 2 apresenta de maneira breve a história da Biometria, as diversas técnicas de
reconhecimento biométrico, e descreve de forma mais aprofundada os principais aspectos,
conceitos e etapas envolvidos no reconhecimento biométrico pela íris.
A Seção 3 aborda, de maneira bem objetiva, as funções de Gabor 2D e como são
utilizadas na representação de imagens, mais especificamente das imagens da íris.
A Seção 4 descreve as etapas do processo de implementação do sistema protótipo,
parâmetros adotados, desempenho e os resultados obtidos.
A Seção 5 finaliza com as conclusões e contribuições do autor, além de uma lista de
sugestões de trabalhos que podem ser futuramente elaborados dentro da mesma temática.
3
22.. RREECCOONNHHEECCIIMMEENNTTOO BBIIOOMMÉÉTTRRIICCOO PPEELLAA ÍÍRRIISS
22..11.. HHiissttóórriiaa ddaa BBiioommeettrriiaa
No auge da revolução industrial inglesa e do Império Britânico (Era Vitoriana, 1837-
1901), inspirado pelo nascimento da criminologia e pelo anseio de identificar prisioneiros e
malfeitores, Alphonse Bertillon (oficial francês, físico, pesquisador de biometria, 1853-1914)
desenvolveu em 1882 a Antropometria, um sistema de identificação baseado em medidas
físicas que classificava o indivíduo em uma dentre 81 categorias [7].
Em 1885, Sir Francis Galton F.R.S. (antropologista, meteorologista, matemático e
estatístico inglês, 1822-1911) propôs vários índices biométricos para perfis faciais aos quais
representou numericamente [11]. Com o objetivo de aperfeiçoar o sistema desenvolvido por
Bertillon, Galton elaborou uma série de “seletores mecânicos” carregados por molas para
realizar medições faciais, que eram utilizados na classificação de presos-condenados [7].
Também estabeleceu, em 1888, as bases científicas sobre a individualidade e técnica de
leitura de impressões digitais. Em 1891, Juan Vucetich apresentou seu sistema de
identificação com o nome de Icnofalangometria, mas foi modificado em 1894 por Francisco
Latzina para Datiloscopia. Esse método ganhou novo impulso com a adoção oficial, em 1891,
pela Scotland Yard, e é atualmente utilizado por órgãos de identificação de muitos países [6].
Criador do termo “eugenia”, e por suas contribuições científicas, Galton é considerado o
“Pai da Biometria”.
22..22.. RReeccoonnhheecciimmeennttoo BBiioommééttrriiccoo
De acordo com Galton [6], o “objeto primário da biometria é proporcionar material que
possa ser exato o suficiente para a descoberta de mudanças incipientes na evolução, e tão
pequenas para serem (por outro lado) aparentes”. Por isso, Zhu et al. [24] afirma que a
biometria é considerada muito superior aos meios convencionais de identificação, tais como
cartões de identidade ou senhas, pois são intrínsecos às pessoas e conseqüentemente não
podem ser esquecidos, falsificados nem, tampouco, roubados.
De acordo com Jain et al. [12], as aplicações biométricas podem ser divididas entre os
três principais grupos:
o Comercial: aplicações tais como autenticação em rede de computadores, segurança
eletrônica de dados, comércio eletrônico (e-commerce), acesso à Internet, ATM,
4
cartões de crédito, controle de acesso físico, telefonia celular, PDA, gerenciamento
de registros médicos, viagens sem bilhetes, aprendizado á distância, dispositivos
anti-furto e partida-automática de automóveis, etc;
o Governamental: certidões de nascimento, cartões de identificação nacional,
processos criminais, licenças de motorista, seguro social, programas de assistência
social, controle de fronteiras, controle de passaportes, etc;
o Forense: identificação de cadáveres, investigação criminal, identificação terrorista,
determinação judicial de paternidade, crianças desaparecidas, etc.
O interesse pelas aplicações de sistemas de identificação pessoal baseados em
características biométricas, seja no meio acadêmico ou na indústria, é crescente [1], gerando
uma demanda por pesquisas que visam encontrar formas mais confiáveis, rápidas e não-
intrusivas de reconhecer automaticamente a identidade das pessoas [7].
2.2.1. Características e Parâmetros Biométricos
Características biométricas são características físicas ou comportamentais singulares de
cada indivíduo [12][24] e que podem, portanto, ser utilizadas em sistemas de identificação.
Dentre as técnicas que representam características fisiológicas, destacam-se:
o leitura de impressões digitais, ou Datiloscopia;
o leitura de impressões da palma das mãos;
o reconhecimento pela geometria das mãos, dedos, palma da mão ou orelhas;
o reconhecimento da face, íris ou retina;
o análise térmica da face ou veias;
o análise de odores, salinidade, veias, pele ou DNA;
Dentre as que representam as características comportamentais, estão:
o reconhecimento de voz;
o reconhecimento de assinatura manuscrita;
o reconhecimento pela dinâmica de digitação;
o reconhecimento pelo movimento dos passos.
Jain et al. [12] afirma que é possível avaliar quais características humanas podem ser
melhor utilizadas pela biometria na identificação sustentada e segura, a medida em que
satisfaçam os seguintes parâmetros:
o Universalidade: cada indivíduo deve possuir a característica;
5
o Exclusividade (ou Unicidade): como a biometria distingue um indivíduo de outro,
ou seja, a característica biométrica utilizada deve conter diferenças significativas
para indivíduos distintos[8];
o Permanência (ou Longevidade): capacidade de resistir ao avanço da idade e a
mudanças através do tempo;
o Coletabilidade: facilidade de aquisição;
o Confiabilidade (ou Circunvenção): precisão, velocidade e robustez da tecnologia
utilizada; dificuldade em ser falsificada;
o Aceitação: nível de aprovação da tecnologia pela sociedade ou público;
o Conveniência: facilidade de uso de uma característica substituta.
A Tabela 1 apresenta um comparativo entre esses sete fatores e as diversas
características físicas e comportamentais. A escolha de uma técnica biométrica específica
mais adequada depende essencialmente dos requisitos e necessidades da aplicação.
Tabela 1 – Comparação entre várias tecnologias biométricas.
(Adaptado de “An introduction to Biometric Recognition” – Jain et al., 2004)
IdentificadorBiométrico U
niver
salid
ade
Unicid
ade
Lon
gevidad
e
Coletân
ea
Con
fiab
ilid
ade
Ace
itaç
ão
Con
veniência
DNA + + + – + – –
Assinatura – – – + – + +
Digitação – – – ▫ – ▫ ▫
Geometria da Face + – ▫ + – + +
Geometria das Mãos ▫ ▫ ▫ + ▫ ▫ ▫
Geometria das Orelhas ▫ ▫ + ▫ ▫ + ▫
Impressão Digital ▫ + + ▫ + ▫ ▫
Íris + + + ▫ + – –
Odor + + + – – ▫ –
Palma das Mãos ▫ + + ▫ + ▫ ▫
Passo ▫ – – + – + ▫
Retina + + ▫ – + – –
Termograma Facial + + – + ▫ + –
Veias das Mãos ▫ ▫ ▫ ▫ ▫ ▫ –
Voz ▫ – – ▫ – + +
Legenda: + Alta ▫ Média – Baixa
6
Cada técnica é admissível, pois nenhuma delas prevalece sobre as demais em todos os
ambientes, ou seja, nenhuma característica biométrica atende a todos os parâmetros de
desempenho a ponto de ser considerada “ótima”. Por exemplo: várias técnicas são mais
precisas que a baseada no reconhecimento de voz; no entanto, esta pode ser mais indicada
para aplicações de atendimento telefônico bancário, devido sua facilidade de integração aos
sistemas de atendimento telefônico existentes [12].
2.2.2. Modos de Operação
Um sistema biométrico pode operar dentro um dos seguintes modos:
o Verificação: comparação “um-para-um” de uma biometria capturada com um
modelo armazenado, a fim de verificar que o indivíduo é quem diz ser. Pode ser
realizada em conjunto com um cartão pessoal, nome ou número de identificação.
o Identificação: comparação “um-para-muitos” de uma biometria capturada contra
um banco de dados biométrico, na tentativa de identificar um indivíduo
desconhecido. Somente é sucedida caso a comparação da amostra biométrica com
um modelo do banco esteja dento de um limite aceitável e previamente definido.
2.2.3. Parâmetros de Desempenho
O desempenho dos sistemas biométricos pode ser mensurado utilizando os seguintes
parâmetros [12]:
o Taxa de Falsa Aceitação (FAR – False Accept Rate ou FMR – False Match Rate):
a probabilidade do sistema em associar incorretamente um padrão de entrada a um
modelo não-correspondente no banco de dados. Mede o percentual de entradas
inválidas que são incorretamente aceitas;
o Taxa de Falsa Rejeição (FRR – False Reject Rate ou FNMR – False Non-match
Rate): a probabilidade do sistema falhar ao detectar uma combinação entre o
padrão de entrada e o modelo correspondente no banco de dados. Mede o
percentual de entradas válidas que são incorretamente rejeitadas;
o Características Operacionais Relativas (ROC – Relative Operating
Characteristics): a representação ROC é uma caracterização visual da relação
entre FAR e FRR. Geralmente, o algoritmo de comparação toma a decisão baseado
num limiar que determina quão próximo a um modelo a entrada precisar estar para
ser considerada uma correspondência. Se o limiar é reduzido, haverão menos
7
falsos não-correpondentes e mais falsos aceites. Pelo contrário, um limiar mais alto
reduzirá o FAR, mas aumentará o FRR;
o Taxa de Erro Igual (EER – Equal Error Rate ou CER – Crossover Error Rate): a
taxa em que tanto os erros de aceitação e rejeição são iguais. Quando menor for o
EER, mais preciso o sistema é considerado;
o Taxa de Falha no Registro (FTE – Failture to Enroll Rate): a taxa em que as
tentativas para criar um modelo a partir de uma entrada são sem-êxito. Isto é
comumente causado por baixa qualidade das entradas;
o Taxa de Falha na Captura (FCT – Failture to Capture Rate): em sistemas
automáticos, é a probabilidade do sistema falhar ao detectar uma entrada
biométrica quando a mesma é apresentada corretamente;
o Capacidade do Modelo (Template Capacity): o número máximo de conjuntos de
dados que podem ser armazenados pelo sistema.
22..33.. AA ÍÍrriiss ccoommoo CCaarraacctteerrííssttiiccaa BBiioommééttrriiccaa
A íris humana é a região anelar do olho localizada entre a pupila e a esclera. Nela
observamos um órgão interno do olho que está protegido do ambiente externo pelos cílios e
pálpebras (Figura 2-1) e que é claramente visível, facilitando a sua captura.
Nos seres humanos, a íris é determinada aleatoriamente quando começa a se formar no
terceiro mês de gestação, tendo 80% de suas características já definidas no oitavo mês e
ficando completamente formada no primeiro ano de vida. Além disso, a íris direita é diferente
da íris esquerda, e não sofre nenhuma alteração devido a doenças como ocorre com a retina,
permanecendo praticamente inalterada durante toda a vida de um indivíduo [7].
Figura 2-1: O olho humano.
(Fonte: Laboratório Ótico Rigor – http://www.laboratoriorigor.com.br/)
8
O aspecto visual da íris humana deriva da estrutura anatômica em multicamadas [8]
constituída de diversas características de minúcias, tais como sardas, sulcos, sulcos de
contração, listras, etc., as quais são geralmente chamadas de “texturas da íris” (Figura 2-2).
Essa complexa estrutura de músculos controla as ações da pupila, vasos sanguíneos e
pigmentação de tecidos epiteliais.
Chegando a medir aproximadamente 11 mm de diâmetro em indivíduos adultos, a íris
humana é controlada por dois músculos, chamados de esfíncter e dilatador, que permitem à
íris ajustar seu tamanho (contrair e expandir, respectivamente) e controlar a quantidade de luz
que entra no olho. Quando a quantidade de luz entrando no olho aumenta, tal como um brilho
de luz ou flash, o músculo esfíncter se contrai em direção ao centro do olho, o tamanho da
pupila é reduzido e menos luz atinge a retina. Quando a quantidade de luz diminui, tal como
num quarto escuro ou à noite, o músculo esfíncter relaxa enquanto o dilatador retrai, fazendo
com que a pupila aumente de tamanho e, assim, mais luz alcance a retina.
Figura 2-2: Anatomia da íris humana: (a) Seção transversal. (b) Seção frontal.
(Adaptado de “Automated iris recognition: An emerging biometric technology” – Wildes, 1997)
Comparado a outros mecanismos de reconhecimento biométrico, tal comportamento faz
com que o formato da íris seja mais previsível que, por exemplo, o formato da face (com
dezenas de músculos a mais).
Um dos aspectos mais importantes da íris humana é a grande variabilidade na sua
representação em indivíduos distintos [22], pois apresenta um conjunto de propriedades que a
qualifica como um dos sistemas de reconhecimento biométricos mais seguros [18]. Os
padrões da íris tornam-se uma alternativa atraente para um reconhecimento visual seguro de
pessoas, especialmente, quando não há necessidade de busca a grandes bases de dados, sem
incorrer em qualquer combinação falsa, apesar de um grande número de possibilidades.
9
Finalmente, a facilidade para focalizar os olhos na face, e a distinta forma anelar da íris
permitem um isolamento confiável e preciso desta característica, e a criação de representações
matemáticas que sejam invariáveis ao tamanho [8].
Apesar de tantas vantagens, a eficácia dos resultados depende essencialmente da
qualidade das imagens capturadas, o que traz algumas dificuldades e complexidade ao
processo de identificação e reconhecimento pela íris [10]:
o área de pequena dimensão (≈ 1 cm) para ser capturada a distância (30 cm a 1 m);
o alvo móvel, e nem sempre há cooperação do indivíduo para posicionar-se
adequadamente e olhar fixamente para o dispositivo;
o localizada atrás de superfície curva, úmida e reflexiva (córnea);
o obscura por cílios, lentes ou reflexos;
o parcialmente oclusa (coberta) pelas pálpebras, geralmente a superior;
o contração e expansão da pupila causam deformação não-elástica da íris;
o iluminação não deve ser visível nem brilhante.
A Figura 2-3 apresenta um exemplo de um padrão baseado na íris, gerado a partir de
uma imagem monocromática capturada a uma distância de aproximadamente 35cm. Os traços
delineados representam o resultado das etapas para localização e focalização da íris e da
pupila, e para detecção dos limites das pálpebras. A cadeia de bits em destaque na parte
superior é uma representação resultante do algoritmo desenvolvido pelo físico John G.
Daugman, patenteado de IrisCode® e detalhado na Seção 2.5.
Figura 2-3: Exemplo de um padrão baseado na íris.
(Fonte: “How Íris Recognition Works” – Daugman, 2002)
10
22..44.. AApplliiccaaççõõeess ee UUssoo
Dado o seu grau de confiabilidade, os sistemas biométricos baseados no reconhecimento
da íris podem ser utilizados em diversas áreas de aplicação, sejam para fins comerciais,
governamentais ou forenses [10][19].
A maioria dos sistemas comerciais disponíveis atualmente faz uso da tecnologia
proposta por Daugman [7], patenteada de IrisCode® sob licença da empresa construída pelo
próprio criador do método, a IriScan®, e em uso por diversas instituições ao redor do mundo:
o SAGEM - Sistemas de controle de acesso (www.sagem.com);
o ARGUS - Controle de acesso: indústria farmacêutica (www.argus-solutions.com);
o EyeTicket - Aplicações para viagens e bilhetagem (www.orangeye.com);
o IRIS – Iris Recognition Immigration System – no Reino Unido (www.iris.gov.uk);
o Controle de fronteira em todos aeroportos, portos e alfândegas da União dos
Emirados Árabes, desde 2001 (www.abudhabiairport.ae/travelinfo);
o Substituição do uso do passaporte no Aeroporto Schiphol de Amsterdam, Países
Baixos, desde 2001 (www.schiphol.nl/priviumen);
o Entrada facilitada de viajantes aéreos pré-aprovados de baixo risco em alguns
aeroportos do Canadá (www.servicecanada.gc.ca);
o Controle de acesso para tripulação aérea no Aeroporto de Charlotte, EUA;
o Padronizado internacionalmente pela ICAO – International Civil Aviation
Organization – como uma dentre as três tecnologias de identificação biométrica
(juntamente com impressões digitais e reconhecimento da face).
Uma lista de equipamentos e sistemas de controle de acesso comerciais pode ser
consultada no Anexo I. Atualmente, todos os sistemas comerciais de reconhecimento de íris
disponíveis no Brasil são produtos importados.
11
Um caso emblemático e notório sobre a eficácia do reconhecimento pela íris foi
retratado pela revista norte-americana National Geographic (Figura 2-4). Fotos registradas
pelo fotógrafo Steve McCurry, em 2002, foram usadas no reconhecimento da garota afegã
Sharbat Gula, desaparecida desde 1984. Após 17 anos de procura, a refugiada foi encontrada,
e sua identidade confirmada utilizando o sistema desenvolvido por Daugman.
Figura 2-4: (a) Sharbat Gula aos 12 anos. (b) Após 17 anos. (c) John Daugman.
(Fontes: http://www.stevemccurry.com; http://ngm.nationalgeographic.com/2002/04/afghan-girl/mccurry-photography)
A Figura 2-5 mostra um sargento da marinha Norte-Americana usando um scanner de
íris para identificar corretamente um membro do conselho da cidade de Bagdá, Iraque, antes
do início de um encontro com autoridades tribais locais, xeiques, líderes comunitários e
membros do serviço americano, ocorrido em Janeiro/2007.
Figura 2-5: Marinha Norte-Americana usando scanner de íris.
(Fonte: Wikipedia – http://en.wikipedia.org/wiki/Image:Retinal_scan_securimetrics.jpg)
12
22..55.. TTrraabbaallhhooss RReellaacciioonnaaddooss
Pioneiro no desenvolvimento de trabalhos sobre reconhecimento da íris e detentor de
diversas patentes relacionadas ao método, John G. Daugman (Ph.D, OBE, Cambridge
University) desenvolveu em 1993 um sistema baseado em quadraturas Wavelet multi-
escalares (Filtro de Gabor 2D) para extrair informações da estrutura de texturas da íris e gerar
um código de 2.048 bits [7][8]. Esse código, patenteado de IrisCode®, é comparado às
demais representações de íris utilizando como métrica a Distância de Hamming através de um
operador XOR, e os níveis de acuracidade de identificação chegam próximos a 100%.
Wildes [22] projetou um dispositivo para captura da íris à distância e um método de
super-resolução foi adotado para obter imagens nítidas. O método proposto representava a íris
como uma pirâmide Laplaciana construída em quatro diferentes níveis de resolução e utiliza
correlação normalizada para determinar se a imagem de entrada e a imagem-modelo
pertencem à mesma classe. Posteriormente, num trabalho conjunto com Asmuth [23],
explorou a correlação normalizada baseada em média estatística e na discriminante linear de
Fisher para comparação de padrões.
Boles et. al [4] calculou a representação de cruzamentos de zero (zero-crossing) da
Transformada Wavelet 1D em vários níveis de resolução de uma circunferência virtual sobre
a imagem capturada de íris, de forma a caracterizar a textura da íris. O mecanismo de
comparação baseava-se em duas funções de dissimilaridade.
Lim et al. [15] decompôs uma imagem de íris em quatro níveis utilizando a
Transformada Wavelet de Haar 2D e, a qualificou a informação de alta-freqüência do quarto
nível numa representação codificada de 87 bits. Uma rede neural de aprendizado competitivo
(ou LVQ – Learning Vector Quantization) adaptada foi adotada na classificação.
Na proposta de Ma et al. [16][17], as variações da intensidade local da imagem da íris
original (2D) são convertidas para um conjunto unidimensional (1D). Um vetor de
características resultante calcula os momentos Gauss-Hermite desses sinais, e a discriminante
linear de Fisher utilizada como métrica de similaridade na comparação de padrões.
Bremananth et. al [5] propôs um sistema de reconhecimento semelhante ao de Boles et.
al [4], baseado na Transformada de Gabor, cujo algoritmo proporciona trasladação,
escalonamento e rotação invariantes (ou TSRI - translation, scale and rotation invariant) e,
de acordo com o autor, é mais adequado para aplicações de segurança em tempo-real.
Implementam um módulo para verificação de olhos vivos (CRT) que, medindo variações no
diâmetro da pupila, previne o uso de imagens ou fontes artificiais (falsificação).
13
O número de citações às publicações desses autores, obtidos no serviço de busca de
artigos acadêmicos da Google™ e apresentados na Tabela 2, comprova que seus trabalhos
contribuíram significativamente na elaboração de outros tantos. Cada vez mais pesquisadores
dedicam atenção na área, pois novos algoritmos são sendo registrados a cada edição do evento
internacional da AVBPA – Audio and Video-Based Biometric Person Authentication [13].
Tabela 2 – Citações aos trabalhos publicados sobre biometria da íris.
(Fonte: Google Acadêmico – http://scholar.google.com.br/. Recuperado em Dez/2009)
Autor(es)Ano de
publicaçãoNúmero de vezes citado em outros trabalhos/artigos
Daugman 1993 648 citações
Wildes 1994 702 citações
Boles et al. 1998 444 citações
Lim et al. 2001 188 citações
Ma et al. 2003 329 citações
Bremananth et al. 2006 1 citação
Apesar de numerosa, a literatura disponível que descreve os principais métodos de
reconhecimento de íris propostos é fragmentada, pouco detalhada ou incompleta, talvez
intencionalmente com o intuito de preservar os segredos da tecnologia, que tem um grande
potencial comercial.
14
22..66.. EEttaappaass ddoo PPrroocceessssoo ddee RReeccoonnhheecciimmeennttoo
2.6.1. Captura ou Aquisição da imagem
Uma etapa importante e complexa para sistemas de reconhecimento é a aquisição da
imagem, especialmente para grupos étnicos orientais, cujas íris são de dimensões pequenas e
de coloração mais escura. Nesta etapa devem ser considerados três aspectos:
o o sistema de iluminação;
o o posicionamento do sistema e
o o sistema de captura física.
Em condições normais, obter imagens nítidas da íris utilizando câmeras digitais
convencionais (padrão CCD) torna-se uma tarefa difícil, sendo recomendado uso de câmeras
com sensores de freqüências próximas à faixa infravermelho (padrão NIR).
Daugman [7][8] sugere que o equipamento seja instalado a uma distância que varia
entre 30cm e 1m, e o tempo de exposição ajustado para valores entre 1 e 5 segundos.
Conforme a sensibilidade de captura e as condições de iluminação, o processo pode produzir
diferentes taxas de reconhecimento, ou seja, as características da íris de um mesmo candidato
genuíno podem variar sensivelmente quando captada à luz do dia ou sob luz artificial. Para
minimizar esses efeitos, o algoritmo de reconhecimento deve ser invariante às condições de
luminosidade e funcionar tanto em ambientes internos quanto externos.
Na fase de registro dos indivíduos (cadastramento inicial ou enrollment), as imagens são
geralmente capturadas sem óculos, garantindo a fidelidade na codificação das características
da íris. Entretanto, o uso de óculos ou lentes de contato pelo indivíduo no momento da
verificação pode afetar o resultado do processo de reconhecimento. Por essa razão, é
preferível que haja cooperação dos indivíduos na aquisição da imagem de suas íris.
2.6.2. Challenge-Response Test (CRT)
Uma falha crucial dos sistemas biométricos deve-se a possibilidade das características
biométricas serem falsificadas e usadas de maneira criminosa. Esta etapa pretende assegurar
que uma imagem foi realmente lida de uma pessoa, ao invés de uma fotografia, imitação de
olho, imagens de vídeo gravadas ou qualquer outra fonte artificial.
Dentre os autores estudados, Daugman [7][8] e Ma [17] discutem esta problemática,
mas somente Bremananh et. al [5] propõem um mecanismo para superar o problema.
Utilizando a capacidade biológica de contração e relaxamento da pupila do olho, a abordagem
15
implementa o teste de Challenge-Response (ou Ação-Reação), registrando a variação no
diâmetro da pupila conforme é submetida a pelo menos 3 diferentes níveis de iluminação.
Caso os valores medidos sejam divergentes, a imagem é admitida como uma fonte real
(humana e viva); do contrário, entende que trata-se de uma fonte artificial.
2.6.3. Segmentação
O processo de segmentação da íris consiste em eliminar, completa e eficientemente,
porções da pupila, sobrancelhas, cílios e outras partes da imagem que não devem ser extraídas
nem utilizadas no processo de comparação. Eliminar dados desnecessários proporciona
significativa economia de tempo e aumenta o desempenho e eficiência do sistema.
Determinar a posição e dimensão corretas da pupila e da fronteira da íris é uma tarefa
que pode ser realizada utilizando algoritmos de detecção de bordas ou de circunferências. As
abordagens mais utilizadas, e adotadas pelos autores, são:
o Detector de Bordas de Canny e Filtro de Sobel: algoritmos de detecção de bordas,
derivadas da função Gaussiana;
o Transformada de Hough para Círculos (CHT – Circle Hough Transform) ou a
adaptação Orientada a Bordas (EOCHT – Edge Oriented CHT) [2][3]: por serem
dependentes do tamanho, ou seja, se faz necessário estimar previamente o raio da
circunferência procurada, ambos os métodos exigem que sejam executados várias
vezes, para todos os raios possíveis, aumentando o tempo de processamento;
o Detecção Rápida de Círculos (FCD – Fast Circle Detection) [2][3]: método
invariante ao tamanho, baseado na simetria de vetores de pares gradientes dos
círculos. Com tolerância a até 25% de ruídos, grande precisão e velocidade (mil
vezes mais rápido que CHT, oitenta vezes mais que EOCHT). Patenteado pela
Universidade de Tecnologia de Amirkabir (Tehran, Iraque);
o Projeção de círculos concêntricos de diferentes raios: abordagem simples,
aplicável somente na detecção da fronteira da íris. A partir do raio da pupila
(previamente detectado), mede-se a variação de contraste entre este e um raio
pouco maior, até encontrar a máxima variação que indica o limite externo da íris.
O operador integro-diferencial proposto por Daugman é uma forma eficiente para
determinar a dimensão )(r e localização ),( 00 yx da pupila e da íris em uma imagem ),( yxI ,
utilizando uma função de suavização tipo Gaussiana )( σG de escala σ:
16
2
),( )( max
0000 ,,),,( ∫∂
∂∗
yxryxr ds
r
yxI
rrG
πσ (1)
A Figura 2-6 mostra um exemplo de imagem de íris após a etapa de segmentação.
Apesar de abordada, poucos autores apresentam um método de detecção e remoção das
sobrancelhas e pálpebras. Daugman [7][8] sugere adaptações nos algoritmos de detecção de
circunferências, substituindo a integração do contorno de radial para a forma de arco, e
Bremananh et. al [5] remove as áreas da imagem com contraste superior a um limiar
preestabelecido.
2.6.4. Normalização
No processo de aquisição, é muito provável que ocorram variações no tamanho da
imagem capturada da íris. Algumas condições do ambiente ou fatores alheios, como a
luminosidade não-uniforme, posicionamento do indivíduo, piscar do olho, mudanças no
diâmetro da pupila por variação na iluminação, etc., fazem com que as íris de indivíduos
distintos, ou de uma mesma pessoa, sejam capturadas em tamanhos diferentes.
Para contornar esse ponto e garantir bons resultados no processo de comparação, a
imagem da íris deve ser ajustada, de forma a compensar as distorções elásticas na íris e
reduzir eventuais ruídos, e, então, ser convertida para dimensões padronizadas.
O mapeamento da imagem da íris ),( yxI , de coordenadas cartesianas ),( yx para um
sistema de coordenadas polares não-concêntricas ),( θr , pode ser representado como:
),( ) ),(),,( ( θθθ rIryrxI → (2)
onde ),( θrx e ),( θry são definidas como as combinações lineares dos conjuntos de
pontos entre a fronteira da pupila ))(),(( θθ pp yx até a fronteira da íris ))(),(( θθ ss yx , em que
ambos são detectados encontrando o máximo do operador (1):
)()()1(),( θθθ sp rxxrrx +−= )()()1(),( θθθ sp ryyrry +−= (3)
A imagem normalizada de uma íris pode ser vista na Figura 2-6.
Todos os autores realizam esta tarefa partindo do princípio que as bordas internas e
externas da íris são círculos, mas nem todos consideram o fato de que geralmente não são
concêntricos. Apesar de a variação entre os centros da íris e da pupila chegar, em alguns
17
casos, a até 15%, a propriedade elástica do tecido da íris, combinada às funções do esfíncter e
dilatador (anéis musculares que controlam a contração e dilatação da pupila), fazem com que
o tecido seja uniformemente distribuído, causando um comportamento equivalente ao
observado no modelo físico de um pedaço homogêneo de borracha [8].
2.6.5. Otimização da qualidade da imagem
A imagem original de uma íris possui baixo contraste, e pode conter iluminação não-
uniforme causada pela posição da fonte de luz no momento da captura. Isto pode afetar o
resultado da análise da textura, por isso é essencial minimizar esses efeitos submetendo a
imagem a uma equalização do histograma, de forma a aumentar o contraste e realçar as
características de minúcias da íris.
A melhoria na qualidade da imagem pode ser nitidamente constada na Figura 2-6.
Figura 2-6: (a) Imagem capturada da íris. (b) Após localização da íris.
(c) Textura normalizada. (d) Textura após otimização.
(Fonte: “Biometric Personal Identification Based on Iris Patterns” – Zhu et al., 2000)
2.6.6. Extração de características
Do ponto de vista da representação das características presentes na íris, os métodos
estudados podem ser divididos em três categorias:
o Análise de variações com métodos de representação em fases: Daugman [7][8];
o Análise baseada na representação zero-crossing: Boles et. al [4];
o Análise de textura: Lim et al. [15], Bremananh et. al [5] ;
o Análise de variações de intensidade: Ma [17], Wildes [22], Wildes et. al [23].
A Seção 3 aborda a análise de variações e representação das características biométircas
da íris utilizando as funções de Gabor 2D, escolhida para o desenvolvimento deste projeto.
18
2.6.7. Comparação
Nesta etapa, as informações coletadas sobre o indivíduo e convertidas em outra forma
de representação na etapa de extração são comparadas aos modelos registrados anteriormente.
Conforme o modo de Operação do sistema de reconhecimento (apresentados na Seção 2.2), a
amostra do indivíduo pode ser comparada a fim de confirmar sua identidade (“ele é quem diz
ser”) ou determinar sua identidade através de busca num banco de dados.
A maioria dos sistemas de reconhecimento, além dos autores citados, utilizam
essencialmente as seguintes abordagens:
o Função de Distância de Hamming;
o Cálculo de Distância Euclidiana ou
o Algoritmo de Redes Neurais.
19
33.. RREEPPRREESSEENNTTAAÇÇÃÃOO DDEE CCAARRAACCTTEERRÍÍSSTTIICCAASS BBIIOOMMÉÉTTRRIICCAASS
Recentes pesquisas sobre o comportamento dos neurônios da região V1 do cérebro,
conhecida por córtex visual primário, constataram que sua resposta consiste essencialmente
de um conjunto de filtros espaço-temporais seletivos. No domínio do espaço, o processo de
reconhecimento da V1 pode ser considerado semelhante a várias Transformadas de Fourier
complexas ou, mais precisamente, às Transformadas de Gabor.
Teoricamente, estes filtros juntos podem abstrair o processamento neural do espaço da
freqüência, orientação, movimento, direção, velocidade (conseqüentemente de freqüência
temporal), e muitas outras características espaço-temporais, razão pela qual sejam
considerados muito úteis em aplicações de processamento de imagem, como o
reconhecimento da íris e da impressão digital [14][20].
33..11.. FFiillttrroo ddee GGaabboorr 22DD
Wavelets são funções capazes de decompor e descrever outras funções tanto no domínio
da freqüência quanto no domínio do tempo, e são ferramentas poderosas para a análise de
sinais e compressão de dados [21].
Em 1988, Daugman [9] propôs o chamado “Wavelet 2D de Gabor para Valores
Complexos”, incorporando variáveis de dimensionamento, freqüência e orientação (direção)
às funções elementares originalmente discutidas por Dennis Gabor (1900-1979), tornando-o
mais eficiente e confiável para aplicações de reconhecimento de padrões.
Neste método, a função wavelet é representada em coordenadas cartesianas por:
),(),(),( yxGyxSyxΨ ⋅= (4)
A função ),( yxS corresponde a um portador sinusoidal complexo e ),( yxG a um
envelope Gaussiano, descritos por:
[ ] PvyyuxxieyxS
/) ( /) ( 2 ),( 0000 +−+−−=
π (5)
[ ] /)(/)( ),(
220
220 βαπ yyxx
eKyxG−+−−
⋅= (6)
onde ) ,( 00 yx especificam a posição do wavelet, ) ,( βα sua largura e comprimento, e
) ,( 00 vu a modulação da onda vetorial, interpretada em coordenadas polares como freqüência
20
espacial 20
200 vu +=ω e orientação (ou direção do envelope) )/arctan( 000 uv=θ . K e P
determinam, respectivamente, a constante de amplitude da função Gaussiana e um ângulo de
defasagem da função sinusoidal.
A Figura 3-1 exemplifica a aparência de uma função wavelet, projetada tanto no eixo
tridimensional quanto num plano espacial bidimensional, neste caso representada em
diferentes níveis de intensidade (entre 0 e 255) na escala de tons de cinza.
Figura 3-1: (a) Visão tridimensional de uma wavelet. (b) Projeção no plano espacial bidimensional.
(Imagem criada utilizando Java™; gráfico preparado com Microsoft® Office Excel 2003)
A convolução (*) da wavelet (4) com uma imagem ),( yxI resulta num conjunto de
valores no plano complexo que descrevem a estrutura da imagem em termos de modulação de
amplitude do contraste local (função ),( yxA ) e de fase local (função ),( yxΦ ), cujas
coordenadas espaciais são encontradas em:
{ }( ) { }( )22 ),(),( Im ),(),( Re ),( yxIyxΨyxIyxΨyxA ∗+∗= (7)
{ }( ){ }( )
∗∗
= ),(),( Re
),(),( Im tan ),( 1-
yxIyxΨ
yxIyxΨyxΦ (8)
Para facilitar o entendimento e permitir uma melhor visualização do comportamento das
entradas e respostas das funções do método, a Tabela 3 apresenta uma representação gráfica
(bi e tridimensional) de cada uma das etapas compreendidas do modelo matemático:
21
Tabela 3 – Representação visual do método de Wavelets de Gabor 2D.
(Imagens criadas utilizando Java™; gráficos preparados com Microsoft® Office Excel 2003)
Sinal de Entrada
Imagem I(x,y)
CONVOLUE COM..
Filtro de Gabor 2D
Função Ψ(x,y) Re Im
RESULTA EM...
Sinal de Saída
Convolução de I(x,y)* Ψ (x,y)
Re Im
DO QUAL SE OBTÉM...
Amplitude do Sinal de Saída
Função A(x,y)
Fase do Sinal de Saída
Função Φ(x,y)
Cada membro de uma família de wavelets Gabor modela uma estrutura de campo
receptivo espacial de uma célula simples da V1. A resposta de uma célula simples é a
projeção de uma imagem sob a wavelet de Gabor, que é o produto interno de uma imagem I
com o campo receptivo centrado em (x0,y0).
As informações resultantes de fase local (função ),( yxΦ ) apresentam, de forma
22
simplificada, a freqüência (concentração) do padrão determinado pela wavelet na imagem
),( yxI , conforme constatado nos sinais de saída apresentados na Tabela 4.
Tabela 4 – Amostras de sinais de entrada submetidos ao Filtro de Gabor 2D.
(Imagens criadas utilizando Java™; gráficos preparados com Microsoft® Office Excel 2003)
Arquivo de Imagem
(formato JPG)
Sinal da Imagem de Entrada - Função I(x,y)
Sinal de Saída - Convolução da entrada I(x,y) com filtro Ψ(x,y)
Parte Real de I(x,y) * Ψ(x,y)
Parte Imag. de I(x,y) * Ψ(x,y)
Amplitude - Função A(x,y)
Fase - Função Φ(x,y)
Amostra_01
Amostra_08
Amostra_15
A coleção completa de amostras está disponível para consulta no Anexo II.
33..22.. CCooddiiffiiccaaççããoo ddaa IImmaaggeemm ddaa ÍÍrriiss
O diagrama de fasores da Figura 3-2 representa uma imagem ),( yxI onde cada fasor se
refere a uma porção da imagem. A quantização da soma dos ângulos ),( yxΦ dos fasores
resulta num conjunto de 2 bits, descrito pelas seguintes equações integrais condicionadas aos
valores da parte real (hRe) e imaginária (hIm) de cada bit h = hRe + ihIm:
<∗−−
⋅−−
⋅−−
≥∗−−
⋅−−
⋅−−
=
<∗−−
⋅−−
⋅−−
≥∗−−
⋅−−
⋅−−
=
∫ ∫
∫ ∫
∫ ∫
∫ ∫
0 ),(/)(/)()(
Im se 0
0 ),(/)(/)()(
Im se 1
0 ),(/)(/)()(
Re se 0
0 ),(/)(/)()(
Re se 1
220
200
220
200
Im
220
200
220
200
Re
ρ φθρρθρβφθαρφθω
ρ φθρρθρβφθαρφθω
ρ φθρρθρβφθαρφθω
ρ φθρρθρβφθαρφθω
ddIer
ei
e
ddIer
ei
e
h
ddIer
ei
e
ddIer
ei
e
h
(9)
23
Este processo é repetido ao longo de toda a imagem da íris com wavelets de várias
dimensões, freqüências e orientações, a fim de extrair 2.048 bits (ou 256 bytes) armazenados
pelo método patenteado por Daugman, o IrisCode®.
Figura 3-2: Diagrama de fasores e Demodulação binária.
(Fonte: “Demodulation by Complex-Valued Wavelets for Stochastic Pattern Recognition” – Daugman, 2002)
Baseado nos resultados obtidos com seu método, Daugman [8] constatou que a
complexidade combinacional das informações armazenadas na íris de cada indivíduo se
estende por até 249 graus de liberdade (dentre 2.048 variáveis). Conforme o cálculo
demonstrado na Tabela 5, isso gera uma entropia discriminatória (conteúdo de informação) de
aproximadamente 3,3 bits/mm², permitindo tomada de decisões em tempo-real sobre a
identificação pessoal com alto nível de certeza.
Tabela 5 – Cálculo da entropia discriminatória, conforme Daugman.
(Dados extraídos de “How Iris Recognition Works” – Daugman, 2002)
Raio Área
Pupila 5,0 mm 19,6 mm²Íris 11,0 mm 95,0 mm²Área da Íris (Pupila - Íris) 75,4 mm²Graus de Liberdade 249 (bits)
Entropia Discriminatória 3,3 bits/mm²
24
44.. DDEESSEENNVVOOLLVVIIMMEENNTTOO DDOO PPRROOJJEETTOO
44..11.. MMééttooddooss
Os conceitos teóricos tratados por este trabalho foram extraídos das diversas
bibliografias publicadas pelos principais pesquisadores e centros de pesquisa da área de
Biometria. A argumentação científica sobre os conceitos matemáticos e métodos para
reconhecimento da íris utilizados na realização deste trabalho foram embasados nos trabalhos
do pioneiro no assunto, John Daugman, principalmente a partir de [7][8][9].
O protótipo do sistema de reconhecimento biométrico foi originalmente implementado
em MatLab®, dada a facilidade de manipulação matemática. No entanto, a falta de
conhecimento na programação nos recursos gráficos limitou o desenvolvimento de uma
interface visual mais intuitiva e, portanto, a linguagem de programação foi substituída.
Os algoritmos foram reescritos em Java, utilizando as ferramentas Java™ SE Runtime
Environment 1.6 e Eclipse© SDK 3.4.1.
As funções de manipulação e tratamento de imagens foram implementadas com o
pacote AWT.IMAGE do Java, e o aplicativo Microsoft® Photo Editor utilizado para
visualização e ocasionais simulações.
4.1.1. Banco de Imagens
Várias instituições dispõem e disponibilizam bancos de imagens de íris para fins
acadêmicos, sendo as mais utilizadas:
o Universidade de BATH, Reino Unido;
o CASIA – Chinese Academy of Sciences’ Institute of Automation, China
(http://www.cbsr.ia.ac.cn/IrisDatabase.htm);
o Universidade de PALACKY, Tchecoslováquia (http://www.palacky.com/);
o ICE – Iris Challenge Evaluation, promovido pela National Institude of Standards
and Technology, Estados Unidos (http://iris.nist.gov/ice/);
o UBIRIS – Universidade de Beira Interior, Portugal (http://iris.di.ubi.pt/).
O banco de imagens da CASIA foi adotado para realização deste trabalho, devido a
qualidade do material, a quantidade e variabilidade das amostras, com mais de 20.000
imagens geradas a partir de 1.500 indivíduos distintos.
25
4.1.2. Armazenamento e Análise de Informações
Para garantir o armazenamento da base de vetores de assinaturas extraídas das imagens
de íris capturadas, o SGBD de arquitetura aberta MySQL® 5.1 foi utilizado, na sua
configuração padrão sugerida durante a instalação.
O código para criação da estrutura de dados, neste trabalho nomeado "IrisCode" e
modelada conforme a Figura 4-1, pode ser encontrado no Anexo III. Os métodos de
atualização e consulta ao banco de dados foram implementados nos programas com instruções
SQL.
Figura 4-1: Diagrama das classes do banco de dados "IrisCode".
O Microsoft® Office Excel 2003 e Microsoft® Office Access 2003 foram utilizados
como ferramentas de suporte na análise e consolidação das informações, especialmente na
composição das tabelas e gráficos.
4.1.3. Equipamentos
Todas as fases do trabalho, desde o projeto, implementação e testes até a elaboração da
monografia, foram realizadas utilizando os seguintes equipamentos:
• Notebook Intel® Core2Duo 1.66 GHz, 1 GB RAM, HD 150 GB.
• Computador AMD® Athlon 1.6 GHz, 768 MB RAM, HD 80 GB.
Devido à opção de uso de um banco de imagens pronto, não foi necessário o uso de
equipamentos para captura de imagens.
26
44..22.. IImmpplleemmeennttaaççããoo ddoo PPrroocceessssoo ddee RReeccoonnhheecciimmeennttoo
4.2.1. Detecção e Processamento da Íris
Nesta etapa, 1.200 amostras pertencentes a 30 indivíduos distintos (20 amostras de cada
olho, totalizando 40 amostras por indivíduo) foram submetidas ao algoritmo de detecção, a
fim de validar sua funcionalidade e desempenho.
Em 47 delas (4%) não houve sucesso na localização da pupila, e em 56 (5%) a íris foi
detectada incorretamente, em ambos os casos devido ao excesso de ruído (sobrancelhas,
cabelos e sombras) e por estarem parcialmente encobertas. Foram reconhecidas 1.097
amostras (91%), resultado considerado ótimo.
Detalhes do processo de detecção e processamento estão descritos passo-a-passo na
Tabela 6, bem como uma amostra das imagens intermediárias resultante de cada etapa.
Tabela 6 – Detalhe das etapas do processo de detecção e processamento da íris.
Captura da imagem
Foto obtida do banco de imagens da CASIA.
Tamanho da imagem original: 640 x 480 pixels
Tratamento da Imagem
Redimensionamento para 320 x 240 pixels.
Aumento de contraste.
Filtro “Passa-Baixa”
Thresholding (Limiar), eliminando tons superiores ao
nível 90 (numa escala de 0-255).
Detecção de Bordas
Utilizado algoritmo de Canny.
Threshold: 4.0 – 16.0
Gradiente: 8 (nenhuma variação para valores maiores)
27
Detecção da Pupila e Íris
Pupila – Diâmetro procurado: entre 25 e 60 pixels
Íris – Diâmetro procurado: até 120 pixels
Normalização
Somente 270º da área da íris é extraída, eliminando área
superior da íris (90º), geralmente encoberta pela
pálpebra ou cílios.
Otimização da qualidade
Realçar o contraste das texturas
4.2.2. Extração de Características com Filtros de Gabor 2D
Baseado nos modelos matemáticos descritos em (4), foi desenvolvido um algoritmo em
Java para atuar como filtro de Gabor no sistema de reconhecimento.
Em seus trabalhos, Daugman não apresenta detalhes sobre quais valores deveriam ser
atribuídos aos parâmetros da função Wavelet. Vários valores foram testados a fim de obter os
melhores resultados possíveis, e os adotados na implementação estão na Tabela 7, sendo
representados graficamente na Figura 4-2.
Tabela 7 (esquerda) – Parâmetros adotados para criação dos bancos de Wavelets Gabor 2D.
Valores adotados
Dimensões = { (10x10) ; (18x18) }
Pfase = { 0º, π/2 }
(α, β) = { (10, 2) ; (10, 5) }
(u0, v0) = ω = { -45º, -30º, 30º, 45º }
Parâmetros
Figura 4-2 (direita): Representação bidimensional dos conjuntos de Wavelets utilizados.
A imagem extraída da íris é divida em 16 partes, e cada parte submetida às 64 wavelets
dos conjuntos parametrizados pela função de Gabor. O sinal de saída representa a freqüência
28
em fases (8) que, aplicado ao critério definido em (9), resulta em 1.024 pares de 2 bits, ou
seja, uma cadeia de 2.048 bits (256 bytes).
A representação gráfica de uma cadeia de 2.048 bits pode ser vista na Figura 4-3.
Figura 4-3: Destaque da íris localizada, imagem normalizada (abaixo) e representação binária (acima).
(Extraída do protótipo de sistema de reconhecimento, após etapas de localização da íris, normalização e extração de características)
4.2.3. Armazenamento das Características
A seqüência de 2.048 bits — obtida do algoritmo do filtro de Gabor 2D — e as demais
informações referentes ao indivíduo e ao processo de captura foram armazenadas no banco de
dados, nas classes “SUBJECT” e “IRIS”.
De acordo com o modelo de dados (Figura 4-1), a um mesmo indivíduo podem ser
atribuídas várias leituras de uma mesma íris. Num sistema real, isto não seria necessário
considerando que uma única íris contém informação suficiente para representar o indivíduo.
Considerando o intuito científico deste trabalho, dispor de várias amostras de uma mesma íris
é fundamental, pois permite validar o grau de eficiência do algoritmo na comparação de
leituras da mesma íris.
29
4.2.4. Comparação
Para calcular o grau de similaridade de uma íris capturada com as demais assinaturas
armazenadas no banco de dados, e assim identificar o indivíduo, foi adotado o método de
Distância de Hamming.
A partir de uma operação "Ou Exclusivo" (XOR), duas seqüências binárias são
comparadas, e o número de bits diferentes quantificados. A "distância" entre elas é dada pela
razão do número de bits diferentes encontrados sobre o número total de bits, medida numa
escala adimensional de 0 a 1, ou porcentual de 0 a 100%.
Inicialmente, o algoritmo desta função foi implementado para comparar todos os 2.048
bits equiparados de cada cadeia, mas esta abordagem mostrou-se ineficiente devido o número
excessivo de solicitações ao processador causados pelas instruções de laço (FOR),
comparação (=) e condicional (IF), principalmente se considerado o grande número de
assinaturas registrados no banco de dados.
A solução foi utilizar a capacidade dos processadores 32-bits de realizar, num único
ciclo, operações lógicas com palavras de 32-bits, alterando o programa de forma a maximizar
a quantidade de bits comparados simultaneamente, minimizando o número de requisições ao
processador. A mudança proporcionou um ganho significativo com a redução na quantidade
de operações de laço, comparação e condicional de 2.048 para apenas 64 ciclos.
4.2.5. Desempenho
Contadores de tempo foram implementados no sistema protótipo a fim de registrar o
tempo de processamento de cada etapa do processo de reconhecimento da íris e garantir a
confiabilidade dos resultados das medidas de desempenho. Os resultados estão na Tabela 8.
Tabela 8 – Desempenho das etapas do processo de reconhecimento da íris.
Etapa Tempo / Índice Médio
Composição do banco de wavelets Gabor 190 ms
Detecção da pupila e íris 130 ms
Normalização da íris 120 ms
Aplicação do filtro Gabor 5.650 ms
Gravação do registro no banco de dados 250 ms
Cálculo da Distância de Hamming:
• dados armazenados na memória RAM 20.000 comparações/seg
• dados armazenados em banco de dados 25 comparações/seg
30
44..33.. AAnnáálliissee ddooss RReessuullttaaddooss OObbttiiddooss
Em busca pela comprovação da eficácia de uso do filtro de Gabor 2D no
reconhecimento biométrico pela íris, foram criados três diferentes cenários, num total de
40.800 comparações, para os quais foram obtidos os seguintes resultados:
Comparação entre várias amostras de uma mesma íris
Conjunto: 20 amostras de cada íris comparadas entre si, pertencentes a 30 indivíduos
distintos e agrupadas pelo lado do olho (direito e esquerdo).
Número de comparações: 20! * 30 * 2 = 11.400
Distância de Hamming média: 0,25 (esperado até 0,20)
0
500
1.000
1.500
2.000
2.500
3.000
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00
Hamming Distance
Comparações
HD Média: 0,25
Figura 4-4: Variabilidade entre várias amostras de uma mesma íris.
Comparação entre íris direita e esquerda de um mesmo indivíduo
Conjunto: 20 amostras de cada íris do lado direito comparadas a 20 amostras de cada
íris do lado esquerdo, pertencentes a 30 indivíduos distintos.
Número de comparações: 202 * 30 = 12.000
Distância de Hamming média: 0,34 (esperado entre 0,20 e 0,50)
31
0
500
1.000
1.500
2.000
2.500
3.000
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00
Hamming Distance
Comparações
HD Média: 0,34
Figura 4-5: Variabilidade entre amostras do lado direito e esquerdo de um mesmo indivíduo.
Comparação entre íris de indivíduos distintos
Conjunto: 40 amostras da íris de 30 indivíduos distintos, comparadas à amostra
equivalente dos demais indivíduos.
Número de comparações: (40 * 30)! = 17.400
Distância de Hamming média: 0,43 (esperado acima de 0,50)
0
500
1.000
1.500
2.000
2.500
3.000
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00
Hamming Distance
Comparações
HD Média: 0,43
Figura 4-6: Variabilidade entre amostras de indivíduos distintos.
Em todos os três conjuntos, a Distância de Hamming média resultante foi muito
diferente da expectativa inicial. Além disso, ficou constatado um alto nível de dispersão no
resultado das comparações das amostras, quando era esperado uma aglomeração maior das
classes semelhantes (mesma íris) e um distanciamento inter-classes (separação entre as
32
reconhecidas e não-reconhecidas). Estes resultados são insatisfatórios, pois contrariam a
expectativa inicial e contradizem os resultados apresentados em outros trabalhos.
Uma segunda tentativa foi realizada, alterando os parâmetros das funções de Gabor a
fim de modificar/ajustar os filtros, mas os resultados foram praticamente idênticos, ou seja,
sempre pouco discriminatórios.
Considerando o uso das wavelets de Gabor da representação de características como um
método consolidado, e a inquestionável atuação e reconhecimento pelo trabalho de Daugman,
fica descartada a possibilidade de qualquer erro ou ineficácia do método.
Logo, ao analisar os dados que geraram estes resultados, foi possível encontrar algumas
explicações em detalhes a princípio irrelevantes, mas que somente neste momento
evidenciaram sua importância.
o As imagens das íris do primeiro grupo de comparação (Figura 4-4) se referem a
duas amostras de uma mesma íris, e a Distância de Hamming calculada foi 0,74.
Para uma íris idêntica, este resultado pode ser questionável, mas ao analisar
constatamos uma grande diferença no contraste.
o As imagens das íris do segundo grupo de comparação (Figura 4-5) se referem a
duas amostras de íris de um mesmo indivíduo – uma do lado esquerdo, a outra do
lado direito – cuja Distância de Hamming foi 0,09. Por serem íris diferentes,
mesmo de um mesmo indivíduo, este resultado pode levar a uma decisão errônea.
Neste caso, foi constatado um baixo nível de contraste das imagens capturadas.
o As imagens das íris do terceiro grupo (Figura 4-6) se referem a indivíduos
distintos, e a Distância de Hamming resultante foi 0,10, ou seja, foram
equivocadamente consideradas idênticas. Em comum, o baixo contraste da
imagem capturada.
Além das questões que envolvem o contraste, fica evidente nessas imagens que os
códigos binários gerados não foram “aleatoriamente dispersos”, e que várias áreas os bits
foram quase sempre definidos com valor ‘1’. Na Figura 4-4 isso não ocorre tanto quanto nas
demais, mas o alto contraste da imagem a torna visivelmente nítida.
O ajuste adequado dos parâmetros do filtro de Gabor também parece ser imprescindível
para garantir a extração das características da imagem com um nível maior de fidelidade e,
conseqüentemente, gerar um código binário de assinatura que reflita a unicidade do indivíduo.
33
55.. CCOONNCCLLUUSSÃÃOO
Na busca pelas razões para compreender o baixo índice discriminatório das
comparações realizadas com os vários grupos de amostras de íris, concluiu-se que os níveis de
contraste das imagens capturadas das íris e o tratamento adequado ao longo do processamento
comprometem diretamente nos resultados e eficácia do filtro de Gabor 2D como método de
extração e representação das características da textura da íris.
Apesar dos resultados insatisfatórios obtidos nos testes, a complexidade, importância e
reverência ao modelo matemático apresentado puderam ser constatadas ao longo de dezenas
de trabalhos e artigos elaborados por outros autores.
Diversas dificuldades surgiram no decorrer deste trabalho, principalmente quanto a
compreensão de todos os conceitos matemáticos que envolveram a implementação das
funções de Gabor, quanto a indisponibilidade de informações mais detalhadas sobre a
implementação de um sistema de reconhecimento utilizando ferramentas de programação de
mercado.
As dificuldades foram adequadamente superadas, e as principais expectativas atingidas.
Logo, os objetivos propostos foram considerados plenamente atingidos.
55..11.. CCoonnttrriibbuuiiççõõeess
As principais contribuições deste trabalho foram:
o o estudo aprofundado das funções Wavelet de Gabor 2D;
o a implementação de algoritmo em Java para filtro de Gabor 2D;
o a implementação/adaptação de vários algoritmos em Java para manipulação de
imagens, números complexos e cálculo do Distância de Hamming;
o a elaboração de um estudo sobre a biometria, com uma abordagem focada no
reconhecimento biométrico sobre a íris e pautada nos princípios de um dos autores
mais respeitados na área;
o a excelente oportunidade de aprimoramento científico do autor no tema e,
principalmente, na revisão, aprendizado e aplicação prática de vários conceitos
matemáticos.
34
55..22.. TTrraabbaallhhooss ffuuttuurrooss
Os seguintes pontos são deixados como sugestão para realização de trabalhos futuros na
área de biometria, em especial no reconhecimento biométrico da íris:
o estudo e implementação do algoritmo de detecção de circunferência FCD;
o otimização de algoritmo para ajuste automático de contraste de imagens;
o otimização do algoritmo de convolução utilizado na aplicação de filtros.
35
RReeffeerrêênncciiaass BBiibblliiooggrrááffiiccaass
[1] ALLAN, A. Biometric Authentication: Perspective. Gartner Research, pp.1-31. Gartner Institute. Minnesota, 2002.
[2] AJDARI RAD, Ali. FAEZ, Karim. QARAGOZLOU, Navid. Fast Circle Detection Using Gradient Pair Vectors. 7th International Conference on Digital Image Computing: Techniques and Applications (DICTA'03), pp. 879-887, Sydney, 2003.
[3] AJDARI RAD, Ali. FAEZ, Karim. QARAGOZLOU, Navid. Improvement of Fast Circle Detection Using Certainty Factors. pp.101-105.
[4] BOLES, W. BOASHASH, B. A Human Identification Technique Using Images of the Iris and Wavelet Transform. IEEE Trans. Signal Process, vol. 46, number 4, pp.1185-1188, 1998.
[5] BREMANANTH, R. CHITRA, A. New Methodology for a Person Identification System. Sǎdhanǎ, vol. 31, part 3, pp. 259-276. India, 2006.
[6] BULMER, Michael. Francis Galton: Pioneer of Heredity and Biometry. The Johns Hopkins University Press. Baltimore, 2003. URL: http://www.google.com.br/books?id=vL0hq80XXqMC. Recuperado em Maio/2009..
[7] DAUGMAN, John. High Confidence Visual Recognition of Persons by a Test of Statistical Independence. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 15(11), pp. 1148-1161. IEEE, 1993.
[8] DAUGMAN, John. How Iris Recognition Works. Proceedings of 2002 International Conference on Image Processing, vol. 1, pp. 33-36, 2002.
[9] DAUGHMAN, John. Demodulation by complex-valued wavelets for stochastic pattern recognition. IEEE Trans. Acoust., Speech, Signal Processing, vol. 36, pp. 1169-1179, 1988..
[10] DAUGMAN, John. John’s Daugman Webpage at Cambridge Univesity. URL: http://www.cl.cam.ac.uk/~jgd1000. Recuperado em Março/2009.
[11] GALTON, Francis. Personal Identification and Description. Nature, pp. 173-177, 1888.
[12] JAIN, Anil. ROSS, Arun. PRABHAKAR, Salil. An introduction to biometric recognition. IEEE Transactions on Circuits and Systems for Video Technology 14th, vol. 14, number 1, pp. 4-20, 2004.
[13] KANADE, Takeo. JAIN, Anil. RATHA, Nalini. Audio- and Video-Based Biometric Person Authentication. 5th International Conference, AVBPA 2005. Hilton Rye Town, NY, USA. July 20-22, 2005. URL: http://www.informatik.uni-trier.de/~ley/db/conf/avbpa/avbpa2005.htm. Recuperado em Dez/2009.
[14] LEE, Tai Sing. Image Representation Using 2D Gabor Wavelets. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18(10). IEEE, 1996.
[15] LIM, Shinyoung. LEE, Kwanyon. BYEON, Okhwan. KIM, Taiyun. Efficient Iris Recognition through Improvement of Feature Vector and Classifier. ETRI Journal, vol. 23, number 2, pp.61-70, 2001.
[16] MA, Li. TAN, Tieniu. WANG, Yunhong. ZHANG, Dexin. Personal Identification based on Iris Texture Analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 25, number 12, pp. 1148-
36
1161, 2003.
[17] MA, Li. TAN, Tieniu. WANG, Yunhong . ZHANG, Dexin. Local Intensity Variation Analysis for Iris Recognition. Pattern Recognition Society, number 37, pp.1287-1298, 2004.
[18] RHODES, Keith A. Information Security: Challenges in Using Biometrics. Report Number GAO-03-1137T. United States General Accounting Office, 2003.
[19] WIKIPEDIA Encyclopedia. Iris Recognition. URL: http://en.wikipedia.org/wiki/Iris_recognition/. Recuperado em Março/2009.
[20] WIKIPEDIA Encyclopedia. Primary visual cortex (V1). URL: http://en.wikipedia.org/wiki/Visual_cortex. Recuperado em Setembro/2009.
[21] WIKIPEDIA Encyclopedia. Wavelet. URL: http://pt.wikipedia.org/wiki/Wavelet. Recuperado em Setembro/2009.
[22] WILDES, Richard. Automated iris recognition: An emerging biometric technology. Proceedings of the IEEE 85 (9), 1348-1363, 1997.
[23] WILDES, Richard. ASMUTH, J. C. et al. A System for Automated Iris Recognition. Proceedings of the IEEE Workshop on Applications of Computer Vision, 1994, pp.121-128.
[24] ZHU, Yong; TAN, Tieniu; WANG, Yunhong. Biometric Personal Identification based on Iris Pattern. ICPR2000: the 15th International Conference on Pattern Recognition, vol. 2, pp.801-804, Barcelona, Spain. 2000.
37
BBiibblliiooggrraaffiiaa CCoonnssuullttaaddaa
GIBARA, Tom. Canny Edge Detector Implementation. URL: http://www.tomgibara.com/computer-vision/canny-edge-detector/. Recuperado em Setembro/2009.
HESTER, Josiah. Ultimate Java Image Manipulation. URL: http://www.javalobby.org/articles/ultimate-image/. Recuperado em Setembro /2009.
SUN Microsystems Inc. The Java™ Tutorials: Creating a GUI with JFC-Swing & Swing Components. URL: https://java.sun.com/docs/books/tutorial/uiswing/components/. Recuperado em Setembro /2008.
UNIVERSITY OF EDINBURGH. Institute for Adaptive and Neural Computation. URL: http://www.anc.ed.ac.uk/.
UNIVERSITY OF TEXAS. Neural Networks Research Group. URL: http://www.anc.ed.ac.uk/.
WIKIPEDIA Encyclopedia. Canny Edge Detector. URL: http://en.wikipedia.org/wiki/Canny_edge_detector/. Recuperado em Setembro/2009.
WIKIPEDIA Encyclopedia. Hamming distance. URL: http://en.wikipedia.org/wiki/Hamming_distance. Recuperado em Mai/2009.
WIKIPEDIA Encyclopedia. Gabor Filter. URL: http://en.wikipedia.org/wiki/Gabor_filter. Recuperado em Setembro/2009.
WIKIPEDIA Encyclopedia. Sobel Operator. URL: http://en.wikipedia.org/wiki/Sobel_operator. Recuperado em Setembro/2009.
WIKIPEDIA Encyclopedia. Transformada de Haar. URL: http://pt.wikipedia.org/wiki/Transformada_de_Haar. Recuperado em Setembro /2009.
Achieving Accurate Image Registration as the Basis for Super-Resolution . URL: http://www.csse.uwa.edu.au/~pk/studentprojects/douglaslim/. Recuperado em Maio/2009.
Iris Recognition System 1.0. URL: http://www.download3k.com/Install-Iris-Recognition-System.html. Recuperado em Maio/2009.
Iris Recognition For Biometric Identification (Project). URL: http://www.samer2.8m.com/. Recuperado em Maio/2009.
Libor Masek's honours project, 2003 (Thesis & MATLAB source code). URL: http://www.csse.uwa.edu.au/~pk/studentprojects/libor/. Recuperado em Maio/2009.
Multimedia University Iris Recognition Homepage (MMU Database). URL: http://pesona.mmu.edu.my/~ccteo/. Recuperado em Maio/2009.
The Topografica Neural Simulator. URL: http://topographica.org/.
United States Patent Searching and Inventing Resources. URL: http://www.freepatentsonline.com/. Recuperado em Maio/2009.
AAnneexxooss
AAnneexxoo II
EEqquuiippaammeennttooss ee SSiisstteemmaass ddee CCoonnttrroollee ddee AAcceessssoo
Iridian IriScan 2100
IrisGuard (IrisCode®)
http://www.irisguard.com/
IrisAccess™ 3000
EyeNetwatch.com
http://www.eyenetwatch.com/iris/IrisAccess3000
Iris Reader BM-ET200
Panasonic Corporation®
http://www.panasonic.com/business/security/products/biometrics.asp
LG IrisAccess
LG Electronics®
http://www.lgiris.com/index.php
OKI IrisPass
OKI Electronic Industry Co. ®
http://www.oki.com/jp/FSC/iris/en/
AAnneexxoo IIII
AAmmoossttrraass ddee ssiinnaaiiss ddee eennttrraaddaa ssuubbmmeettiiddooss aaoo FFiillttrroo ddee GGaabboorr 22DD
Arquivo de Imagem
(formato JPG)
Sinal da Imagem de Entrada - Função I(x,y)
Sinal de Saída - Convolução da entrada I(x,y) com filtro Ψ(x,y)
Parte Real de I(x,y) * Ψ(x,y)
Parte Imag. de I(x,y) * Ψ(x,y)
Amplitude - Função A(x,y)
Fase - Função Φ(x,y)
Amostra_01
Amostra_02
Amostra_03
Amostra_04
Amostra_05
Amostra_06
Amostra_07
Amostra_08
Amostra_09
Amostra_10
Amostra_11
Amostra_12
Amostra_13
Amostra_14
Amostra_15
Amostra_16
AAnneexxoo IIIIII
CCóóddiiggoo SSQQLL ppaarraa ccrriiaaççããoo ddaa eessttrruuttuurraa ddee ddaaddooss –– MMyySSQQLL
-- MySQL® dump 10.13 Distrib 5.1.40, for Win32 (ia32)
CREATE DATABASE IF NOT EXISTS `iriscode`;
USE iriscode;
-- Table structure for table `subject`
DROP TABLE IF EXISTS `subject`;
CREATE TABLE `subject` (
`subject_id` int(10) NOT NULL,
`subject_name` varchar(80) DEFAULT NULL,
PRIMARY KEY (`subject_id`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
-- Table structure for table `iris`
DROP TABLE IF EXISTS `iris`;
CREATE TABLE `iris` (
`subject_id` int(10) NOT NULL,
`iris_id` varchar(3) NOT NULL,
`filename_eye` varchar(20) DEFAULT NULL,
`iris_code` varchar(2048) NOT NULL,
PRIMARY KEY (`subject_id`,`iris_id`),
KEY `subject_id` (`subject_id`), CONSTRAINT `subject_id` FOREIGN KEY (`subject_id`)
REFERENCES `subject` (`subject_id`) ON DELETE NO ACTION ON UPDATE NO ACTION
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
-- Table structure for table `comparison`
DROP TABLE IF EXISTS `comparison`;
CREATE TABLE `comparison` (
`subject_id1` int(10) NOT NULL,
`iris_id1` varchar(3) NOT NULL,
`subject_id2` int(10) NOT NULL,
`iris_id2` varchar(3) NOT NULL,
`hamming_distance` double DEFAULT NULL,
PRIMARY KEY (`subject_id`,`iris_id`),
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
