A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Sistemas Automáticos de Identificação de Impressões Digitais (AFIS)

Apresentações semelhantes


Apresentação em tema: "Sistemas Automáticos de Identificação de Impressões Digitais (AFIS)"— Transcrição da apresentação:

1 Sistemas Automáticos de Identificação de Impressões Digitais (AFIS)

2 Motivação Demanda por segurança: – transações financeiras – fraudes de identidade – locais ou recursos restritos Identificação de indivíduos: – crimes – fins civis

3 Motivação (2) EUA: – ~ $1 bi gasto anualmente com benefícios sociais para pessoas com múltiplas identidades – com um sistema de identificação nas fronteiras, seriam detidos diariamente imigrantes ilegais na fronteira com o México MasterCard gasta ~ $450 milhões por ano com reparos a fraudes

4 Biometria Biometria: ciência que estuda a identificação de pessoas através de características físicas – identificadores fisiológicos: digitais, íris, face – identificadores de procedimento: voz, assinatura, dinâmica de digitação Problema de verificação (1:1) Problema de reconhecimento (1:n)

5 Problema de Verificação Meios de verificação:

6 Ciência Forense Associada ao problema de reconhecimento Definição: Aplicação de um largo espectro da ciência para responder questões de interesse do sistema legal 1 Reconhecimento de pessoas: impressões digitais, DNA (fio de cabelo, sangue), dentes, voz e face (obtidas em gravações) Identificação de objetos: armas de fogo (balística), máquinas de escrever 1 Fonte:

7 Impressões Digitais Atendem aos princípios da Biometria: – Universalidade (exceção: – Unicidade (comparação com DNA de gêmeos) – Imutabilidade – Critério quantitativo Amplamente aceitas no meio jurídico, forense e civil Considerado meio mais prático, seguro e econômico de identificação existente (mais de um século de uso)

8 Histórico Pinturas pré-históricas: denotando autoria ou identidade 650, China: processos de divórcio Séculos XVII-XIX: diversos estudos sobre impressões digitais 1877, Jungipoor, Índia: identificação de indivíduos e autenticação de documentos através de digitais e palmas das mãos Antropometria (Bertillon, 1879) e fotografia como métodos de identificação Sistemas de classificação de digitais: Dr. Henry Faulds (1880) 1892: Finger Prints, de Sir Francis Galton: base científica

9 Histórico (2) 1897: sistema de classificação Henry 1900: substituição definitiva da Antropometria na Índia Implementações na Índia Britânica, África do Sul e Scotland Yard 1903, Brasil: instituído o sistema dactiloscópico e a emissão do Cartão de Identidade ou Ficha Passaporte 1969: FBI incentiva o estudo de sistemas automatizados de identificação 2001: primeiro teste com AFIS's totalmente independentes

10 Arquitetura de um AFIS

11 Obtenção da Impressão Digital Formação de cristas e vales Impressão tintada em papel – Fácil de obter, má qualidade Impressão latente – Gordura/sujeira acumulada nos dedos – Muitas vezes é a única possível (como em crimes) – Má qualidade

12 Obtenção da Impressão Digital (2) Através de um leitor (scanner) Tipos de leitores – Ópticos (mais utilizados) – Capacitivos – Térmicos – Ultra-sônicos – Piezoelétricos, utilizando fibra óptica, campo elétrico Toque x deslizamento (maior segurança, implementação complicada) Diferença entre imagem tintada em papel e obtida por leitor

13 Problema em Sistemas de Verificação Alguns sistemas utilizam digitais para restringir acesso a locais/dados Necessidade de detectar digitais falsas Possibilidade de burlá-los utilizando uma digital falsa feita de gelatina – Características físicas da gelatina idênticas à da pele – (Sandström, 2001) Todos os sistemas testados foram burlados Dificuldade em obter digital original Necessidade de combinar várias técnicas Técnica em teste: detecção de transpiração Problema: forjamento de provas

14 Características Globais Estrutura das cristas Pontos singulares: núcleos e deltas Formas de detecção: Índice de Poincaré Dualidade das minúcias Podem ser utilizados para classificar uma impressão digital nos grupos do sistema de Henry

15 Características Locais Pontos característicos, minúcias ou detalhes de Galton Determinam a unicidade de uma digital Utilizados nos AFIS: bifurações e cristas finais

16 Problema de Comparação Duas digitais são de um mesmo dedo? Comparação da estrutura das cristas – orientação, número, formato Comparação de detalhes complexos de uma única crista – minúcias específicas, poroscopia Comparação de minúcias – Regra dos 12 pontos – Alto consumo de tempo

17 Extração de Minúcias Pré-processamento – Melhoria da qualidade da imagem – Extração de aspectos – pontual: cor'(p) = f 1 (cor(p)) – de área: cor'(p) = f 2 (cor(V(p)) Representação interna – geralmente não se grava a imagem, mas uma representação da impressão digital

18 Pré-processamento Binarização (Threshold) –transformação de uma imagem de tons de cinza em preto/branco (imagem binária) –Threshold adaptativo: transformação feita por blocos (8x8 ou 10x10) valor de limiar (T) é calculado pela média dos tons de cinza do bloco imagem pode ter regiões mais claras/escuras G(i, j) = | 0 se cinza(i, j) < T | 255 se cinza(i, j) >= T (i= 0, 1,......N; j = 0, 1,.....M) Imagem após binarização

19 Pré-processamento (2) Afinamento (Thinning) –Obtenção da estrutura das cristas com dimensão unitária –Facilita extração de minúcias –Utiliza máscaras que modelam a estrutura das cristas, retirando pontos desnecessários

20 Pré-processamento (3) Filtro de limpeza do esqueleto –Pretende remover ruído da imagem afinada Reentrâncias nas cristas

21 Detecção de Minúcias Cálculo do Crossing Number (CN) – Pixel é uma bifurcação se possui 3 pontos vizinho – Pixel é crista final se possui apenas 1 ponto vizinho Armazena-se, então: – Tipo da minúcia – Direção e distância ao ponto singular (geralmente o núcleo) – Direção da crista que contém a minúcia

22 Banco de filtros de Gabor Filtro para previnir minúcias falsas, formadas devido à má qualidade da imagem Determina a direção verdadeira da crista

23

24 Método Sintático de Comparação Trata-se a seqüência de registros de minúcias como uma string Aplicam-se transformações (edições: inserções, deleções) sobre a string candidata a fim de obter a string do BD Calcula-se o mínimo de transformações necessárias (programação dinâmica) Gera-se um índice de similaridade Imagem aceita se o índice é maior que um limite estabelecido (threshold) FRR = 19,5% FAR = 0,003%

25 Problema de Classificação Comparação de minúcias demorado Seleção de um subconjunto do BD para posterior comparação de minúcias Técnicas utilizadas – Redes neurais – Sistema de Henry Definição de classes difícil de formalizar Algumas imagens não podem ser classificadas – Combinação de técnicas

26 Sistema de Henry Classes de digitais –Distribuídas de forma desigual na população –Obs.: relação entre classe de digital e aptidão para esportes Classificação utilizada em bancos de dados de papel: –Baseada em todos os 10 dedos –1024 grupos diferentes –Ineficiente em uso computa- cional (utilizada apenas nos primeiros sistemas)

27 Técnicas de Classificação Através dos pontos singulares –Formas de identificação: Índice de Poincaré Dualidade das minúcias Através do fluxo das cristas –Difícil de implementar Combinação das técnica s

28 Cálculo da Imagem Direcional Obtenção da direção das cristas na imagem binarizada

29 Cálculo da Imagem Direcional (2) Calculam-se as grandezas direcionais S 1,..., S 7 S p = min {Si | i=1,...7} S q = max {Si | i=1,...,7} Direção (depende da cor do pixel)

30 Suavização da Imagem Direcional A direção é obtida para grupos de 9 pixels (3x3) e não pixels individuais Métodos: –Moda: valor para o grupo é o valor mais freqüente –Seno-cosseno: média dos vetores da forma (cos2a, sen2a)

31 Cálculo do índice de Poincaré Toma-se uma curva fechada em torno do pixel Calcula-se o somatório (S) das diferenças entre ângulos consecutivos no sentido anti-horário S > 90° S := S – 180° S < -90º S := S + 180° Sendo uma curva fechada e O é a imagem direcional Delta-180° Núcleo180° Ordinário0° Tipo de pontoSomatório

32 Cálculo do índice de Poincaré (2) Atribui-se então uma classe com base no número de pontos singulares –Nenhum ponto: arco –Um núcleo e um delta: arco angular ou presilha Necessário calcular a direção do vetor núcleo-delta –Dois núcleos e deltas: verticilo –Mais de dois núcleos ou deltas: necessário suavizar imagem direcional (ex.: filtro gaussiano) Usando as duas técnicas combinadas, obtém-se 12,5% de erro. Utilizando uma mesma classe para arco e arco angular, obtém-se erro de 7,7%

33

34 Avaliação de um AFIS FAR (False Acceptance Rate) FRR (False Rejection Rate) EER (Equal Error Rate) – Valor para o qual FAR = FRR – Boa medida de qualidade – FBI: classificação boa se FRR = 20% FAR = 1%

35 Bibliografia Sandstrom, M., Liveness Detection in Fingerprint Recognition Costa, S.M.F., Classificação e Verificação de Impressões Digitais Jain, A.-Pankanti,S., Fingerprint Classification and Matching Fingerprint Recognition (Notas do National Science and Technology Council) The Henry Classification System (Notas do International Biometric Group) Ferreira, A. A. M. Perfil dermatoglífico, somatotípico e das qualidades físicas de atletas brasileiros de corrida de orientação de alto rendimento


Carregar ppt "Sistemas Automáticos de Identificação de Impressões Digitais (AFIS)"

Apresentações semelhantes


Anúncios Google