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