Composição de biometria para sistemas multimodais de verificação de identidade pessoal

Texto

(1)Universidade Federal de Pernambuco Centro de Informática. Pós-graduação em Ciência da Computação. COMPOSIÇÃO DE BIOMETRIAS PARA SISTEMAS MULTIMODAIS DE VERIFICAÇÃO DE IDENTIDADE PESSOAL George Darmiton da Cunha Cavalcanti. TESE DE DOUTORADO. Recife Maio de 2005.

(2) Universidade Federal de Pernambuco Centro de Informática. George Darmiton da Cunha Cavalcanti. COMPOSIÇÃO DE BIOMETRIAS PARA SISTEMAS MULTIMODAIS DE VERIFICAÇÃO DE IDENTIDADE PESSOAL. Trabalho apresentado ao Programa de Ps-graduao em Cincia da Computao do Centro de Informtica da Universidade Federal de Pernambuco como requisito parcial para obteno do grau de Doutor em Cincia da Computao.. Orientador: Prof. Dr. Edson Costa de B. Carvalho Filho. a a Co-orientadora: Prof. Dr. Katia Silva Guimares. Recife Maio de 2005.

(3) RESUMO Essa tese apresenta contribuições para o problema de vericação de identidade pessoal através de uma arquitetura que combina as biometrias da face, da assinatura e da dinâmica da digitação. As duas primeiras biometrias foram escolhidas por estarem integradas à vida de grande parte da sociedade e os dispositivos utilizados para capturar os padrões são comuns e de baixo custo. A terceira biometria, dinâmica da digitação, além de ser barata, é uma tecnologia transparente ao usuário. A motivação principal dessa tese é analisar estratégias de combinação de padrões para melhorar o desempenho de sistemas de identicação pessoal. Para tanto, foram identicados e investigados os seguintes pontos: (i) Vericação de assinaturas de tamanhos diferentes usando sete grupos de características: pseudo-dinâmicas, estruturais e invariantes (momentos de Hu, Maitra, Flusser, Simon e Central); (ii) Classicação de faces usando Eigenbands Fusion; (iii) Vericação de autenticidade através da análise da dinâmica da digitação utilizando os tempos de pressionamento e de latência; (iv) Modelagem de uma arquitetura para combinar as três biometrias, além da realização de experimentos, visando à avaliação do desempenho; (v) Investigação do limiar de separação entre regiões que denem usuários autênticos e impostores, por classe, através da distribuição t-Student. Os resultados alcançados com o sistema combinado foram comparados com cada uma das modalidades biométricas separadamente, e mostraram que o sistema integrado conseguiu melhores taxas de acerto.. Palavras-chave: Identicação Pessoal Multimodal, Classicação de Faces, Vericação de Assinaturas, Vericação através de Dinâmica da Digitação, Combinação de Decisão, Cálculo de Limiar Local 3.

(4) ABSTRACT This work presents contributions for the problem of identity verication thought an architecture that combines face, signature and keystroke dynamics. The rst two biometrics were chosen based on the fact that they are already integrated in the society, besides the equipment to capture these modalities are cheap. The third biometrics chosen, keystroke dynamics, is also cheap and transparent to the user. The main motivation of this thesis is to analyze combination strategies aiming to improve the performance of personal identication systems. Therefore, it was identied and investigated the following points: (i) Signature verication of dierent sizes using seven features groups: pseudo-dynamics, structural, and invariant (moments of Hu, Maitra, Flusser, Simon and Central); (ii) Face classication through Eigenbands Fusion (a face image was divided into bands and the best principal components of each band was assembled to form the feature vector); (iii) Keystroke dynamics verication through the analyzes of press and latency time of the users; (iv) Architecture arrangement aiming to combine three biometrics, besides experiments to measure performance; (v) Local threshold investigation to separate regions of authentic and impostor users through t-Student distribution. The results showed that the combined system over performed each one of the biometrics modalities when used separately.. Keywords: Multimodal personal identication, Face classication, Signature verication, Keystroke dynamics verication, Decision combination, Local threshold. 4.

(5) CONTEÚDO Capítulo 1Introdução20 1.1. Biometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 20. 1.2. Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 21. 1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 23. 1.4. Estrutura da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 25. Capítulo 2Classicação Biométrica27 2.1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 27. 2.2. Técnicas Biométricas . . . . . . . . . . . . . . . . . . . . . . . . . . .. 27. 2.2.1. Face . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 30. 2.2.2. Assinatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 31. 2.2.3. Impressão Digital . . . . . . . . . . . . . . . . . . . . . . . . .. 32. 2.2.4. Voz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 32. 2.2.5. Mão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 33. 2.2.6. Íris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 33. 2.2.7. Retina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 34. 2.2.8. Radiograa Dental . . . . . . . . . . . . . . . . . . . . . . . .. 34. 2.2.9. Formato da Orelha . . . . . . . . . . . . . . . . . . . . . . . .. 35. 2.2.10 Imagem Térmica do Rosto . . . . . . . . . . . . . . . . . . . .. 35. 2.2.11 Dinâmica da Digitação . . . . . . . . . . . . . . . . . . . . . .. 35. Sistema Biométrico Monomodal . . . . . . . . . . . . . . . . . . . . .. 36. 2.3.1. Avaliação de Desempenho . . . . . . . . . . . . . . . . . . . .. 37. 2.3.2. Encontrando o Critério de Separação . . . . . . . . . . . . . .. 40. Sistema Biométrico Multimodal . . . . . . . . . . . . . . . . . . . . .. 42. 2.3. 2.4. 5.

(6) 2.4.1. Estado da Arte . . . . . . . . . . . . . . . . . . . . . . . . . .. 42. 2.4.2. Arquiteturas para Integração de Modalidades Biométricas . .. 47. 2.4.2.1. Integração de Dados . . . . . . . . . . . . . . . . . .. 48. 2.4.2.2. Integração de Características . . . . . . . . . . . . .. 48. 2.4.2.3. Integração de Decisões . . . . . . . . . . . . . . . . .. 49. 2.4.2.4. Comentários. 50. . . . . . . . . . . . . . . . . . . . . . .. Capítulo 3Métodos de Extração de Características e de Classicação de Padrões52 3.1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3.2. Extração de Características Faciais através da Análise dos Compo-. 3.3. 3.4. 52. nentes Principais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 53. Extração de Características de Assinaturas . . . . . . . . . . . . . . .. 54. 3.3.1. Características Pseudo-dinâmicas . . . . . . . . . . . . . . . .. 55. 3.3.2. Características Estruturais . . . . . . . . . . . . . . . . . . . .. 56. 3.3.3. Características Invariantes . . . . . . . . . . . . . . . . . . . .. 57. 3.3.3.1. Momentos Centrais . . . . . . . . . . . . . . . . . . .. 57. 3.3.3.2. Invariantes de Hu . . . . . . . . . . . . . . . . . . . .. 58. 3.3.3.3. Invariantes de Maitra. . . . . . . . . . . . . . . . . .. 59. 3.3.3.4. Invariantes de Flusser . . . . . . . . . . . . . . . . .. 59. 3.3.3.5. Invariantes de Simon . . . . . . . . . . . . . . . . . .. 60. Classicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 61. 3.4.1. Classicador Bayesiano . . . . . . . . . . . . . . . . . . . . . .. 61. 3.4.2. Classicador k-Vizinhos Mais Próximos (k − vmp) . . . . . . .. 62. 3.4.3. Classicador Cross-correlation . . . . . . . . . . . . . . . . . .. 63. Capítulo 4Classicação de Faces65 4.1. 4.2. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 65. 4.1.1. Trabalhos relacionados . . . . . . . . . . . . . . . . . . . . . .. 68. 4.1.2. Pré-processando imagens de faces . . . . . . . . . . . . . . . .. 69. Reconhecimento de Faces usando Eigenbands . . . . . . . . . . . . . .. 72. 6.

(7) 4.2.1. 4.3. 4.4. Resultados Experimentais . . . . . . . . . . . . . . . . . . . .. 75. 4.2.1.1. Bandas Horizontais . . . . . . . . . . . . . . . . . . .. 75. 4.2.1.2. Bandas Verticais . . . . . . . . . . . . . . . . . . . .. 77. Vericação de Faces . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 79. 4.3.1. Faces Completas . . . . . . . . . . . . . . . . . . . . . . . . .. 80. 4.3.2. Eigenbands Fusion . . . . . . . . . . . . . . . . . . . . . . . .. 82. Alguns Experimentos com o Banco de Faces da IIS . . . . . . . . . .. 84. 4.4.1. Redes Neurais Auto-associativas . . . . . . . . . . . . . . . . .. 84. 4.4.2. Estudo Experimental . . . . . . . . . . . . . . . . . . . . . . .. 85. 4.4.2.1. 85. Avaliação do Desempenho . . . . . . . . . . . . . . .. Capítulo 5Vericação de Assinaturas90 5.1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 90. 5.2. Banco de Dados de Assinaturas . . . . . . . . . . . . . . . . . . . . .. 91. 5.3. Seleção de Características . . . . . . . . . . . . . . . . . . . . . . . .. 93. 5.3.1. Seleção de Características usando o Classicador k-vmp . . . .. 95. 5.3.2. Seleção de Características usando o Classicador Bayesiano . .. 97. 5.3.3. Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 99. 5.4. 5.5. Vericação de Assinaturas . . . . . . . . . . . . . . . . . . . . . . . . 101 5.4.1. Classicador Bayesiano . . . . . . . . . . . . . . . . . . . . . . 103. 5.4.2. Classicador Cross-Correlation . . . . . . . . . . . . . . . . . 105. 5.4.3. Classicador Baseado em Distância . . . . . . . . . . . . . . . 107. Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109. Capítulo 6Vericação da Dinâmica da Digitação112 6.1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112. 6.2. Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . 114. 6.3. Estudo Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 6.3.1. Aquisição dos Dados . . . . . . . . . . . . . . . . . . . . . . . 116. 6.3.2. Extração de Características e Representação . . . . . . . . . . 118. 6.3.3. Vericação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 7.

(8) 6.4. 6.3.3.1. Procedimento Experimental . . . . . . . . . . . . . . 121. 6.3.3.2. Características Tempo de Pressionamento . . . . . . 126. 6.3.3.3. Características Tempo de Latência . . . . . . . . . . 129. 6.3.3.4. Combinação de Características . . . . . . . . . . . . 131. Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 135. Capítulo 7Combinação de Biometrias137 7.1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137. 7.2. Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139. 7.3. Arquitetura de Combinação . . . . . . . . . . . . . . . . . . . . . . . 140. 7.4. 7.3.1. Normalização . . . . . . . . . . . . . . . . . . . . . . . . . . . 140. 7.3.2. Regra de Combinação. . . . . . . . . . . . . . . . . . . . . . . 142. Combinando Face e Assinatura . . . . . . . . . . . . . . . . . . . . . 142 7.4.1. Combinando os melhores grupos de assinaturas com eigenbands verticais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146. 7.4.2. Combinando os melhores grupos de assinaturas com eigenbands horizontais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149. 7.5. Combinando Assinatura e Dinâmica da Digitação . . . . . . . . . . . 152. 7.6. Combinando Face e Dinâmica da Digitação . . . . . . . . . . . . . . . 155. 7.7. Combinando Face, Assinatura e Dinâmica da Digitação . . . . . . . . 156. 7.8. Análise dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 162. 7.9. Comentários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166. Capítulo 8Conclusão168 8.1. Resumo das Contribuições do Trabalho . . . . . . . . . . . . . . . . . 168. 8.2. Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171. 8.3. Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 172. Apêndice ARótulos das Características Extraídas das Assinaturas173 Apêndice B Detalhamento dos Resultados da Vericação de Assinaturas175 Apêndice CBanco de Dados e Detalhamento dos Resultados da Dinâmica da Digitação186 Apêndice D Rótulos dos Pesos Utilizados para Combinar as Biometrias191 8.

(9) LISTA DE FIGURAS 2.1. Classicação das Técnicas Biométricas. . . . . . . . . . . . . . . . . .. 2.2. Arquitetura básica de um sistema de identicação pessoal monomodal. 36. 2.3. Região de decisão para sistemas biométricos. . . . . . . . . . . . . . .. 37. 2.4. Gráco da distribuição t-Student. . . . . . . . . . . . . . . . . . . . .. 42. 2.5. Integração de Dados. . . . . . . . . . . . . . . . . . . . . . . . . . . .. 48. 2.6. Integração de Características. . . . . . . . . . . . . . . . . . . . . . .. 49. 2.7. Integração de Decisão. . . . . . . . . . . . . . . . . . . . . . . . . . .. 50. 3.1. Cálculo do limiar de alta pressão. . . . . . . . . . . . . . . . . . . . .. 56. 4.1. Exemplos de imagens utilizadas por sistemas fechados de classicação de faces, extraídas do banco de dados da ORL. . . . . . . . . . . . . .. 4.2. 28. 66. Sistemas abertos de classicação de faces tratam com imagens dessa natureza. Exemplos de detecção de faces extraídos do artigo de Schneiderman e Kanade [SK00].. 4.3. . . . . . . . . . . . . . . . . . . . . . . . .. 66. Exemplo de detecção de bordas em uma face usando o operador de Sobel. (a) Imagem original. (b) Bordas Verticais e Horizontais. (c) Bordas Verticais. (d) Bordas Horizontais. . . . . . . . . . . . . . . . .. 70. 4.4. (a) Figura 4.3(c). (b) Projeção vertical dessa gura. . . . . . . . . . .. 71. 4.5. (a) Figura 4.3(d). (b) Projeção horizontal dessa gura. . . . . . . . .. 71. 4.6. Particionamento de uma face em bandas horizontais e verticais. . . .. 72. 4.7. Composição do vetor de características (eigenband vector ). Cada banda fornece um número n de componentes principais para o vetor nal.. 4.8. .. 74. Eigenbands: 1, 2, 4, 8, 16, 32, 64 e 128. . . . . . . . . . . . . . . . . .. 74. 9.

(10) 4.9. Avaliação de cada banda horizontal individualmente usando o classicador Bayesiano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 76. 4.10 Avaliação de cada banda vertical individualmente, usando o classicador Bayesiano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 78. 4.11 Amostra de imagens do banco de faces da IIS. . . . . . . . . . . . . .. 86. 4.12 Vericação de faces usando Redes Neurais Auto-associativas: análise do desempenho. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 88. 5.1. Exemplos de assinaturas de autênticas e impostoras. . . . . . . . . . .. 92. 5.2. Processo de normalização de assinaturas pequenas, médias e grandes.. 95. 5.3. Processo de corte (remoção) do oreio de uma assinatura. . . . . . . .. 95. 5.4. Avaliação das características usando o classicador 1-vmp (imagens sem transformação). . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5.5. Avaliação das características usando o classicador 1-vmp (imagens normalizadas). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5.6. 98. Avaliação das características usando o classicador Bayesiano (imagens normalizadas). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5.9. 97. Avaliação das características usando o classicador Bayesiano (imagens sem transformação). . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5.8. 96. Avaliação das características usando o classicador 1-vmp (imagens após a aplicação da técncia do corte). . . . . . . . . . . . . . . . . . .. 5.7. 96. 98. Avaliação das características usando o classicador Bayesiano (imagens após a aplicação da técnica do corte). . . . . . . . . . . . . . . . . . .. 99. 5.10 Análise do Coeciente de Variação médio por característica. . . . . . 101 5.11 Classicador Bayesiano (sem transformação). . . . . . . . . . . . . . . 103 5.12 Classicador Bayesiano (imagens normalizadas). . . . . . . . . . . . . 104 5.13 Classicador Bayesiano (imagens cortadas).. . . . . . . . . . . . . . . 104. 5.14 Classicador Cross-Correlation (sem transformação). . . . . . . . . . 105 5.15 Classicador Cross-Correlation (imagens normalizadas).. . . . . . . . 106. 5.16 Classicador Cross-Correlation (imagens cortadas). . . . . . . . . . . 106 10.

(11) 5.17 Classicador Baseado em Distância (sem transformação). . . . . . . . 107 5.18 Classicador Baseado em Distância (normalizadas). . . . . . . . . . . 108 5.19 Classicador Baseado em Distância (imagens cortadas). . . . . . . . . 108 6.1. Características comumente usadas em sistemas de autenticação pessoal usando a dinâmica da digitação. . . . . . . . . . . . . . . . . . . . . . 113. 6.2. Exemplos de Padrões Autênticos da Classe 16. . . . . . . . . . . . . . 119. 6.3. Exemplos de Padrões Falsos para a Classe 16. . . . . . . . . . . . . . 120. 6.4. FRR (quando FAR = 0) versus Número de Amostras de Treinamento. 122. 6.5. FRR (quando FAR = 0) versus Número de Amostras de Treinamento. 123. 6.6. Avaliação da FRR (adotando FAR = 0) quando o número de características varia (combinação das características). . . . . . . . . . . . . . 124. 6.7. Avaliação da FRR (adotando FAR = 0) quando o número de características varia (combinação das características reverso). . . . . . . . . . 125. 6.9. FRR após eliminar porcentagem das características sem normalização (Características: Tempo de Pressionamento). . . . . . . . . . . . . . . 126. 6.10 FRR após eliminar porcentagem das características com normalização (Características: Tempo de Pressionamento). . . . . . . . . . . . . . . 126 6.8. FRR de quatro congurações de experimentos quando FAR igual a zero (Características: Tempo de Pressionamento). . . . . . . . . . . . 127. 6.12 FRR após eliminar porcentagem das características sem normalização (Características: Tempo de Latência). . . . . . . . . . . . . . . . . . . 129 6.13 FRR após eliminar porcentagem das características com normalização (Características: Tempo de Latência). . . . . . . . . . . . . . . . . . . 129 6.11 FRR de quatro congurações de experimentos quando FAR igual a zero (características: Tempo de Latência). . . . . . . . . . . . . . . . 130 6.15 FRR após eliminar porcentagem das características sem normalização (Combinação das Características). . . . . . . . . . . . . . . . . . . . . 132 6.14 FRR de quatro congurações de experimentos quando FAR igual a zero (Combinação das Características). . . . . . . . . . . . . . . . . . 133 11.

(12) 6.16 FRR após eliminar porcentagem das características com normalização (Combinação das Características). . . . . . . . . . . . . . . . . . . . . 133 7.1. Arquitetura de um Sistema de Identicação Pessoal Multimodal. . . . 140. 7.2. Distribuição dos padrões autênticos e falsos da modalidade assinatura - grupo de características Selecionadas extraídas das imagens normalizadas por tamanho, usando o classicador Baseado em Distância. . . 144. 7.3. Distribuição dos padrões autênticos e falsos da modalidade face - eigen-. bands horizontais, usando o classicador Baseado em Distância. . . . 144 7.5. Gráco 2D com os padrões autênticos e falsos da combinação das modalidades usando a normalização Brunelli. . . . . . . . . . . . . . . 145. 7.4. Distribuição dos padrões autênticos e falsos da combinação das modalidades assinatura e face, mostradas nas Figuras 7.2 e 7.3, usando o classicador Baseado em Distância. . . . . . . . . . . . . . . . . . . . 145. 7.6. Combinação de Face com Assinatura (Eigenbands Verticais e Normalização Sanderson). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147. 7.7. Combinação de Face com Assinatura (Eigenbands Verticais e Normalização Brunelli). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148. 7.8. Combinação de Face com Assinatura (Eigenbands Horizontais e Normalização Sanderson). . . . . . . . . . . . . . . . . . . . . . . . . . . 150. 7.9. Combinação de Face com Assinatura (Eigenbands Horizontais e Normalização Brunelli). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150. 7.10 Combinação de Assinatura com Dinâmica da Digitação (Normalização Sanderson). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 7.11 Combinação de Assinatura com Dinâmica da Digitação (Normalização Brunelli). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 7.12 Combinação de Face com Dinâmica da Digitação. . . . . . . . . . . . 155 7.13 Combinação de Face, Assinatura e Dinâmica da Digitação (Eigenbands Horizontais e Normalização Sanderson). . . . . . . . . . . . . . . . . . 157. 12.

(13) 7.14 Combinação de Face, Assinatura e Dinâmica da Digitação (Eigenbands Horizontais e Normalização Brunelli). . . . . . . . . . . . . . . . . . . 158 7.15 Combinação de Face, Assinatura e Dinâmica da Digitação (Eigenbands Verticais e Normalização Sanderson). . . . . . . . . . . . . . . . . . . 160 7.16 Combinação de Face, Assinatura e Dinâmica da Digitação (Eigenbands Verticais e Normalização Brunelli). . . . . . . . . . . . . . . . . . . . 161 7.17 Análise dos resultados que usaram a normalização Sanderson. Face1:. Eigenbands Horizontais. Face2: Eigenbands Verticais. . . . . . . . . . 163 7.18 Análise dos resultados que usaram a normalização Brunelli. Face1:. Eigenbands Horizontais. Face2: Eigenbands Verticais. . . . . . . . . . 164. 13.

(14) LISTA DE TABELAS 2.1. Técnicas biométricas usadas em trabalhos recentes para a identicação pessoal multimodal em ambientes controlados (apresentados em ordem cronológica). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 44. 4.1. Detectores de bordas de Sobel. . . . . . . . . . . . . . . . . . . . . . .. 69. 4.2. Avaliação do desempenho das bandas horizontais. . . . . . . . . . . .. 77. 4.3. Avaliação do desempenho das bandas verticais. . . . . . . . . . . . . .. 78. 4.4. Taxas de erros sobre o conjunto de teste do banco de dados de faces ORL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4.5. 79. Vericação das faces completas (eigenfaces) usando o banco de dados da UMIST para representar usuários autênticos e o banco de dados da ORL para representar usuários impostores. . . . . . . . . . . . . . . .. 4.6. 81. Resultados obtidos com as Bandas Horizontais (o banco de dados da UMIST para representar usuários autênticos e o banco de dados da ORL para representar usuários impostores). . . . . . . . . . . . . . .. 4.7. 82. Resultados obtidos com as Bandas Verticais (o banco de dados da UMIST para representar usuários autênticos e o banco de dados da ORL para representar usuários impostores). . . . . . . . . . . . . . .. 4.8. 83. Avaliação do desempenho usando 40 componentes principais extraídas das imagens das faces completas. NUI: Número de Unidades Intermediárias. NTrTeVa: Número de amostras de Treino, Teste e Validação. 87. 14.

(15) 4.9. Avaliação do desempenho após a combinação das bandas horizontais. NUI: Número de Unidades Intermediárias.. NTrTeVa: Número de. amostras de Treino, Teste e Validação. . . . . . . . . . . . . . . . . .. 88. 4.10 Estatística do teste-t Emparelhado. . . . . . . . . . . . . . . . . . . .. 89. 5.1. Resumo dos melhores resultados, em termos da medida R2, das tabelas do Apêndice B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110. 6.1. Resumo de alguns trabalhos relevantes sobre dinâmica da digitação. (TP - Tempo de Pressionamento e PL - Tempo de Latência). . . . . . 117. 6.2. F RR por conguração de teste quando F AR = 0. Características Tempo de Pressionamento e Classicador Baseado em Distância. . . . 128. 6.3. F RR por conguração de teste quando F AR = 0. Características Tempo de Pressionamento e Classicador Vizinho Mais Próximo. . . . 129. 6.4. F RR por conguração de teste quando F AR = 0. Características Tempo de Latência e Classicador Baseado em Distância. . . . . . . . 131. 6.5. F RR por conguração de teste quando F AR = 0. Características Tempo de Latência e Classicador Vizinho Mais Próximo. . . . . . . 132. 6.6. F RR por conguração de teste quando F AR = 0. Combinação das Características e Classicador Baseado em Distância. . . . . . . . . . 134. 6.7. F RR por conguração de teste quando F AR = 0. Combinação das Características e Classicador Vizinho Mais Próximo. . . . . . . . . . 135. 7.1. Resumo contendo os melhores resultados da Figura 7.7. . . . . . . . . 149. 7.2. Resumo contendo os melhores resultados da Figura 7.8. . . . . . . . . 151. 7.3. Resumo contendo os melhores resultados da Figura 7.9. . . . . . . . . 151. 7.4. Resumo contendo os melhores resultados da Figura 7.10. TP - Tempo de Pressionamento e TL - Tempo de Latência. . . . . . . . . . . . . . 153. 7.5. Resumo contendo os melhores resultados da Figura 7.11. TP - Tempo de Pressionamento e TL - Tempo de Latência. . . . . . . . . . . . . . 154. 15.

(16) 7.6. Resumo contendo os melhores resultados da Figura 7.12. TP - Tempo de Pressionamento e TL - Tempo de Latência. . . . . . . . . . . . . . 156. 7.7. Resumo contendo os melhores resultados da Figura 7.13. . . . . . . . 158. 7.8. Resumo contendo os melhores resultados da Figura 7.14. . . . . . . . 158. 7.9. Resumo contendo os melhores resultados da Figura 7.15. . . . . . . . 160. 7.10 Resumo contendo os melhores resultados da Figura 7.16. . . . . . . . 161 A.1 Rótulo das características extraídas das assinaturas. . . . . . . . . . . 174 B.1 Avaliação dos erros de cada um dos grupos de características usando o classicador Bayesiano sobre as imagens das assinaturas sem transformação, adotando um intervalo de conança de 99% (α = 0, 01). . . 177 B.2 Avaliação dos erros de cada um dos grupos de características usando o classicador Bayesiano sobre as imagens das assinaturas normalizadas, adotando um intervalo de conança de 99% (α = 0, 01). . . . . . . . . 178 B.3 Avaliação dos erros de cada um dos grupos de características usando o classicador Bayesiano sobre as imagens das assinaturas após aplicação da técnica do corte, adotando um intervalo de conança de 99% (α =. 0, 01). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 B.4 Avaliação dos erros de cada um dos grupos de características usando o classicador cross-correlation sobre as imagens das assinaturas sem transformação, adotando um intervalo de conança de 99% (α = 0, 01). 180 B.5 Avaliação dos erros de cada um dos grupos de características usando o classicador cross-correlation sobre as imagens das assinaturas normalizadas, adotando um intervalo de conança de 99% (α = 0, 01).. . 181. B.6 Avaliação dos erros de cada um dos grupos de características usando o classicador cross-correlation sobre as imagens das assinaturas após aplicação da técnica do corte, adotando um intervalo de conança de 99% (α = 0, 01). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182. 16.

(17) B.7 Avaliação dos erros de cada um dos grupos de características usando o classicador baseado em distância sobre as imagens das assinaturas sem transformação, adotando um intervalo de conança de 99% (α =. 0, 01). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183 B.8 Avaliação dos erros de cada um dos grupos de características usando o classicador baseado em distância sobre as imagens das assinaturas normalizadas, adotando um intervalo de conança de 99% (α = 0, 01). 184 B.9 Avaliação dos erros de cada um dos grupos de características usando o classicador baseado em distância sobre as imagens das assinaturas após aplicação da técnica do corte, adotando um intervalo de conança de 99% (α = 0, 01). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185 C.1 Número de padrões autênticos e de falsos por classe. . . . . . . . . . . 187 C.2 F RR por conguração de teste quando F AR = 0. Características: Tempo de Pressionamento. . . . . . . . . . . . . . . . . . . . . . . . . 188 C.3 F RR por conguração de teste quando F AR = 0. Características: Tempo de Latência. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189 C.4 F RR por conguração de teste quando F AR = 0. Combinação das Características. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190 D.1 Pesos empregados nos experimentos quando da combinação das três biometrias: Face, Assinatura e Dinâmica da Digitação. . . . . . . . . 192. 17.

(18) LISTA DE ABREVIATURAS. AANN. Auto-Associative Neural Network. AMI. Ane Moment Invariants. API. Application Program Interface. BioAPI. Consórcio formado para desenvolver uma API útil para diversas tecnologias biométricas Site: http://www.bioapi.org/. CV. Coeciente de Variação. DNA. Ácido Desoxirribonucléico. EER. Equal Error Rate. FAR. False Acceptance Rate (Taxa de Falsa Aceitação). FERET. The Facial Recognition Technology Database Site: http://www.itl.nist.gov/iad/humanid/feret/. FRR. False Rejection Rate (Taxa de Falsa Rejeição). HCI. Human-Computer Interface (Interface Humano-Máquina). HPR. High Pressure Regions. HTER. Half Total Error Rate. IBG. International Biometric Group Site: http://www.biometricgroup.com. ICA. Independent Component Analysis (Análise dos Componentes Independentes). 18.

(19) IIS. Banco de dados de faces de orientais Site: http://smart.iis.sinica.edu.tw. k-vmp. Classicador k-Vizinhos Mais Próximos. LDA. Linear Discriminant Analysis (Análise Discriminante Linear). M2VTS. Multi Modal Verication for Teleservices and Security Applications Um banco de dados bimodal (face e voz) Site: http://www.tele.ucl.ac.be/PROJECTS/M2VTS/m2fdb.html. MLP. Multi-Layer Perceptron. NIST. National Institute of Standards and Technology Site: http://www.nist.gov/. ORL. Banco de dados de faces da Olivetti Research Laboratory. PCA. Principal Component Analysis (Análise dos Componentes Principais). RBF. Radial Basis Function. ROC. Receiver Operating Characteristic. SOM+CN. Self-Organizing Map and Convolutional Networks. SVM. Support Vector Machine. THP. Threshold of High Pressure. UMIST. Banco de dados de faces da University of Manchester Institute of. Science and Technology VidTIMIT. Banco de dados de vídeo útil para sistemas mono ou multimodais de identicação pessoal e que usam voz e face Site: http://users.rsise.anu.edu.au/ conrad/vidtimit/. XM2VTS. Uma extensão do banco de dados multimodal de faces M2VTS Site: http://www.ee.surrey.ac.uk/Research/VSSP/xm2vtsdb/. 19.

(20) CAPÍTULO 1. INTRODUÇÃO "Não olhes de onde vens, olha para onde vais." Pierre Augustin Caron. 1.1 BIOMETRIA Tradicionalmente, têm-se usado senhas e cartões a m de identicar os indivíduos. Todavia, senhas podem ser esquecidas e cartões perdidos. Além disso, usuários indevidos podem utilizar indiscriminadamente cartões e senhas, fazendo-se passar por outros indivíduos. Desse problema, originou-se a motivação de usar propriedades inerentes a cada pessoa com o intuito de identicá-la, como, por exemplo, a assinatura. Vale salientar que essa idéia não é nova. Há muito tempo, a justiça utiliza impressões digitais, retratos e assinaturas com esse propósito. O termo biometria pode ser denido como o uso de padrões comportamentais e/ou físicos para identicar unicamente um indivíduo. A biometria possui diversas aplicações, que podem ser divididas em três grupos: forense, social e comercial. Em aplicações de caráter jurídico, a biometria pode ser útil para investigação criminal, identicação de corpos e determinação de parentesco. Através da unicidade de nossas características físicas e comportamentais, espera-se que em um futuro próximo, documentos de identicação pessoal, tais como identidade e carteira de motorista, possam ser dispensados. Como outra aplicação, tem-se: o controle de acesso em ambientes comerciais, residenciais ou militares que necessitem 20.

(21) de segurança. Para o comércio, a posse do cartão de crédito pode dar lugar a uma simples assinatura, que, no ato da compra, autentica a transação. Ou ainda, a necessidade do uso de cartões e/ou de chas, para a realização de ligações a partir de telefones públicos seria suprimida, a conta poderia ser enviada para o solicitante do serviço através do reconhecimento de voz, por exemplo; esse raciocínio se estende para o uso de celulares. Transações bancárias, comércio eletrônico e serviços de cartório formam mais um lão para sistemas biométricos. O maior desao da aplicação de sistemas biométricos em aplicações do mundo real está atrelado ao melhoramento do seu desempenho. Em um futuro próximo, técnicas de classicação monomodais, isto é, que utilizam apenas uma biometria, tendem a alcançar um limite de saturação do desempenho [DBB+ 97]. Alguns trabalhos [BF95, ABB+ 96, UDW97, DBB+ 97, KMJS97, JLGW97, HJ98, JLK99, JR02, Nak02, SP03c, CF03b, JR04, RJ04, SUM+ 05] mostraram que a combinação de mais de uma técnica biométrica tem melhorado o desempenho, em relação à análise das técnicas individualmente. Tais sistemas são chamados Sistema de Identicação Pessoal Multibiométricos ou Multimodais.. 1.2 MOTIVAÇÃO Cientistas de áreas diferentes têm investido no estudo de modelos para a integração de sensores, entre eles: neurosiologistas, psicólogos, engenheiros, estatísticos e cientistas da computação. Em seu trabalho, Murphy [Mur96] dene a integração inteligente de sensores como um mecanismo que se adapta às mudanças do ambiente e aos problemas relativos à captura de informação, determinando, assim, a melhor estratégia para perceber o ambiente. Nesse mesmo trabalho, o autor examina as contribuições de linhas de pesquisa em integração de sensores aplicadas à área de aprendizagem de máquina. Muitas são as aplicações para sistemas que combinam sensores, entre elas pode-se citar: reconhecimento automático de alvos, sistemas que controlam veículos auto-. 21.

(22) maticamente, sensoriamento remoto, monitoramento de processos industriais, aplicações médicas, robótica e identicação pessoal. Uma outra aplicação para a integração de múltiplos sensores foi estudada por Sharma et al. [SPH98], em um trabalho cujo objetivo foi o de investigar direções para a Interface Humano-Máquina (HCI) multimodal. A interação pressencial de humanos é multimodal por natureza. À medida que um humano estabelece um diálogo com outro indivíduo, ele olha, gesticula e aponta para objetos. A pessoa que está passiva, naquele momento do diálogo, presta atenção não apenas para a voz do outro, ca atenta, também, à entonação da mesma, às expressões faciais, bem como capta odores. Dito isso, pode-se armar que os humanos são animais que integram múltiplos sensores. Vale salientar que, não apenas humanos, outros animais usam, e muito bem, múltiplas informações captadas do ambiente para estabelecer a própria sobrevivência. Talvez o maior incentivo para a fusão de diversas modalidades (sensores) seja a falta de robustez e o baixo desempenho de sistemas monomodais. A seguir são mostradas razões biológicas e matemáticas para a combinação de sensores. Os humanos possuem várias formas de interagir com o meio-ambiente. A capacidade do sistema nervoso central de combinar estímulos provenientes de vários sensores pode facilitar as tarefas de detecção, localização e discriminação dos mesmos [KC01]. Por exemplo, a habilidade humana de compreender a fala é bastante aumentada quando, não apenas, a voz é escutada, mas também, quando o locutor pode ser visualizado. Além disso, o tempo de resposta a estímulos multimodais é menor quando comparado com estímulos monomodais [CHB01]. Entretanto, existem casos em que a pluralidade da percepção pode gerar resultados indesejados, como, por exemplo, quando os sinais visuais e auditivos são incongruentes, situação que ocorre em um lme dublado. As informações provenientes de diversos sensores devem ser processadas conjuntamente em alguma região do cérebro. E estudos realizados por Stein e Meredith, reportados por Murphy [Mur96], armaram que estímulos provenientes de sensores 22.

(23) diferentes não interagem entre si antes de atingirem o cérebro. Sendo mais preciso, sinais perceptivos são enviados para o Colículo Superior e lá processados. O Colículo Superior é uma estrutura presente no Sistema Nervoso Central, mais precisamente no tecto do mesencéfalo de mamíferos, e é constituído de camadas superpostas e alternadas de substância branca e cinzenta que estão relacionas à visão [Mac00]. Esses resultados foram observados em experimentos realizados em cérebros de felinos, em especial gatos. Sabendo que a estrutura do Colículo Superior é similar na maioria dos mamíferos, inclusive no homem, o estudo torna-se aceitável para ns de observação do fenômeno de combinação de sensores. Além das razões biológicas mostradas acima para a fusão de sensores, é possível destacar ainda razões matemáticas que encontram origem na análise estatística de dados. A desvantagem de se usar apenas uma modalidade (sensor) está na incapacidade da mesma de reduzir a incerteza para a tomada de decisão. Essa incerteza pode ser proveniente de diversas fontes: imprecisão na captura das características, características ocultas ou oclusas e ambigüidade na observação. Além disso, combinar múltiplas informações da mesma fonte pode aumentar o desempenho quando informações redundantes são usadas [HL97].. 1.3 OBJETIVOS Na fase de projeto de um sistema de vericação biométrica multimodal, algumas questões surgem: i Quais biometrias devem ser usadas? ii Como extrair características relevantes de cada uma das biometrias? iii Qual(is) classicador(es) usar? iii Como combinar as biometrias, combinar as características ou as decisões dos classicadores?. 23.

(24) iv Se a combinação for feita a partir das respostas dos classicadores, como normalizar essas respostas para que a decisão nal não seja prejudicada pelas diferentes escalas dos valores de saída dos classicadores? As respostas a tais questões serão dadas ao longo da tese que tem como principal motivação analisar os resultados da combinação de biometrias diferentes, em especial face, assinatura e dinâmica da digitação. Para tanto, será necessário investigar e propor melhorias para cada uma das modalidades individualmente e, em seguida, conceber uma arquitetura que modele a fusão. As biometrias face e assinatura têm-se destacado como duas técnicas de fácil aceitação pela sociedade em geral. Isso se deve ao fato de seu uso corriqueiro em transações comerciais e burocráticas. Carteiras de identidade, habilitação de motorista, título de eleitor, passaporte, entre outros documentos, se valem tanto da face quanto da assinatura para identicar o indivíduo portador; alguns desses, se utilizam, também, da impressão digital. A assinatura de cheques, contratos, contra-cheques, procurações, é fato comum para o comércio, cartórios e empresas. Essas duas biometrias se caracterizam, também, pela facilidade de aquisição, pois os equipamentos necessários (câmera - para face; scanner - para assinatura) são baratos e de fácil manuseio. Quanto à dinâmica da digitação, o qual captura o ritmo de digitação do usuário, pode-se armar que a mesma é transparente. Seu uso não causaria transtorno algum, uma vez que, para a maioria dos computadores, o teclado é parte complementar. A integração de biometrias tem o objetivo primordial de combinar o que elas têm de melhor para aumentar o desempenho do sistema. Tendo como base as questões realçadas acima, é possível destacar os seguintes objetivos secundários: i Encontrar características que descrevam as faces, as assinaturas e a dinâmica da digitação sem perder informações relevantes para processos de discriminação; ii Em geral, um fato inerente a sistemas biométricos é o pequeno número de exemplares por classe. Isso ocorre, pois, em aplicações práticas, é inviável, 24.

(25) por exemplo, pedir que um usuário assine trinta, quarenta vezes. Assim, o classicador selecionado deve ser capaz de encontrar regiões de separação para as classes, mesmo com poucos exemplos, sendo ao mesmo tempo, rápido e eciente; iii Desenvolver um modelo de combinação das biometrias.. 1.4 ESTRUTURA DA TESE Neste capítulo introdutório, a motivação e os objetivos deste trabalho foram apresentados. O Capítulo 2 traz uma visão geral sobre sistemas biométricos, sejam eles mono ou multimodais. Nesse capítulo, são apresentadas informações básicas sobre as mais populares modalidades biométricas, tais como: face, assinatura, impressão digital, entre outras.. Além disso, são mostradas uma arquitetura geral de um sistema. biométrico e três possíveis arquiteturas de sistemas multimodais. Para cada uma das arquiteturas, são descritas as fases que a compõem. Em uma das seções, a atenção está voltada às alternativas para avaliar sistemas dessa natureza. No Capítulo 3 são descritas as técnicas de extração de características usadas para capturar informações relevantes de cada uma das modalidades biométricas. Ainda nesse capítulo, os classicadores usados para criar regiões de separação entre as classes são explicados. No Capítulo 4 é discutido o problema de classicação de faces e apresenta uma estratégia para combinar características extraídas de diversas áreas (bandas) da imagem da face - eigenbands fusion. Nesse capítulo, também, são apresentados os resultados obtidos para o reconhecimento e para a vericação de faces usando Principal. Component Analysis (PCA) e eigenbands fusion. O foco do Capítulo 5 é a vericação de assinaturas. Esse problema é abordado sob a perspectiva de vericação de assinaturas de tamanhos diferentes. Oito grupos de características extraídos das imagens das assinaturas são avaliados por três 25.

(26) classicadores. No Capítulo 6 são reportados os resultados conseguidos com a biometria dinâmica da digitação sobre um banco de dados capturados pelos autores. Em especial, dois grupos de características são avaliados: tempo de pressionamento e tempo de latência. A combinação das três modalidades biométricas (face, assinatura e dinâmica da digitação) é exposta no Capítulo 7. Nesse capítulo, em primeiro lugar as biometrias serão combinadas duas-a-duas e, em seguida, as três biometrias serão unidas. Serão avaliados o desempenho e a importância da participação de cada uma das biometrias no sistema combinado. No Capítulo 8 é mostrado um sumário das contribuições da tese, bem como possibilidades de atividades futuras da mesma. No Apêndice A apresenta-se uma tabela contendo o rótulo das características extraídas das imagens da assinaturas. No Apêndice B são mostradas tabelas contendo, de forma detalhada, os resultados encontrados utilizando os oito grupos de características e os três classicadores empregados na vericação de assinaturas. No Apêndice C apresentam-se tabelas. A primeira delas contém informações sobre os usuários utilizados para compor o banco de dados de dinâmica da digitação, tais como: nome completo, número de padrões autênticos e falsos por classe. Já nas outras tabelas, são mostrados, de forma detalhada, os resultados da modalidade biométrica dinâmica da digitação. No Apêndice D é mostrada uma tabela utilizada para indicar quais os pesos de cada uma das biometrias no processo de combinação multimodal, que usam três modalidades: face, assinatura e dinâmica da digitação.. 26.

(27) CAPÍTULO 2. CLASSIFICAÇÃO BIOMÉTRICA "People pick bad passwords, and either forget, write down, or resent good ones" Steven Bellovin and Michael Merritt.. 2.1 INTRODUÇÃO Na literatura, muitas técnicas biométricas foram investigadas. Esse capítulo objetiva mostrar as técnicas mais estudadas, fornecendo descritivo das mesmas - Seção 2.2. Além disso, na Seção 2.3, uma arquitetura de um sistema biométrico monomodal, ou seja, aquele que se vale de apenas uma biometria, é apresentada. Ainda na Seção 2.3, pode-se vericar como é realizada a avaliação de sistemas baseados em biometria que, em geral, são regidos por duas taxas de erros: falso positivo e falso negativo, ou seja, Erro Tipo I e Erro Tipo II. O estado da arte e arquiteturas de combinação para sistemas biométricos multimodais são apresentados na Seção 2.4.. 2.2 TÉCNICAS BIOMÉTRICAS É possível classicar as técnicas biométricas em físicas e comportamentais. Dentre as técnicas físicas, alguns exemplos são: face, impressão digital, retina, íris, formato da orelha, impressão da mão e DNA. Outras técnicas, como, por exemplo, assinatura, voz e dinâmica da digitação, são consideradas comportamentais. A Figura 2.1 mostra um esquema contendo as duas classes de técnicas biométricas. 27.

(28) DNA Íris. Retina Voz. Impressão Digital Assinatura Face. Dinâmica da Digitação. Radiografia Dental Mão Orelha. Comportamental. Física. Técnicas Biométricas. Figura 2.1: Classicação das Técnicas Biométricas. A demanda por sistemas mais ecientes de identicação pessoal existe. Estudo realizado pelo International Biometric Group - IBG [IBG], em 2002, aponta que os investimentos, no período de 2002 a 2007, em sistemas biométricos devem atingir o patamar de mais de 12 bilhões de dólares em todo o mundo (sem contar com DNA). Pelas prospecções realizadas, em 2005, apenas a tecnologia de reconhecimento facial deverá alcançar um total de 200 milhões de dólares de investimento. Segundo relatório do IBG de 2003, 52% do mercado é destinado a aplicações que usam impressão digital. Outros 11,4% cam sob domínio de reconhecimento facial e 2,4% para assinatura. Um dos motivos pelos quais técnicas biométricas não estão disseminadas, em uso cotidiano, por grande parte da sociedade, está atrelado ao desempenho. Pois, sistemas de identicação pessoal devem ser rápidos e robustos a mudanças de fatores ambientais. Além do desempenho, outros atributos são necessários para o bom funcionamento de um sistema biométrico:. Aceitabilidade: a sociedade está apta a integrar esse tipo de tecnologia no seu dia-a-dia.. Custo do Sensor: investimento necessário para compra do sensor. 28.

(29) Escalabilidade: impacto sobre o sistema quando o número de usuários é sensivelmente aumentado.. Desempenho: para a aplicação proposta, os níveis de erros de falsa aceitação e falsa rejeição se encontram em patamares aceitáveis.. Facilidade de Captura: a característica deve ser de fácil quanticação (medição). Longevidade: quanto a característica se modica ao passar do tempo. Maturidade da Pesquisa: quanto já se pesquisou e se os resultados são relevantes. Tamanho do Padrão número de bytes necessários para ns de armazenamento do padrão.. Tamanho do Sensor: as dimensões do sensor implicam se o sistema pode ser aplicado a meios móveis e se será percebido pelo usuário.. Tipo do Sensor: divisão dos sensores em classes: invasivo ou não-invasivo. Unicidade: a característica deve ser única para cada indivíduo. Universalidade: todas as pessoas devem possuir a característica. Vulnerabilidade: facilidade de uma característica ser fraudada. Nenhuma característica biométrica estudada até então satisfaz todos os atributos realçados acima. Dependendo do contexto, escolhem-se aquela, ou aquelas, que melhor atendem aos requisitos. Jain et al. [JHP00] e Ratha et al. [RSB01] compuseram tabelas, a partir de especialistas biométricos, que atribuem níveis de aplicação para alguns dos atributos relacionados acima, referentes a algumas técnicas biométricas. Dada a quantidade de variáveis envolvidas, é possível armar que, fornecer o título de melhor técnica biométrica, a alguma das existentes, é uma tarefa não trivial. Uma promessa, em termos de biometria, é o DNA. Entretanto, o DNA, assim como outras técnicas, traz consigo questões que envolvem privacidade de informações 29.

(30) pessoais e questões legais, referentes ao mau uso dessas informações. Discussões éticas a esse respeito, que ponderam os prós e os contras de processos biométricos, podem ser encontradas no trabalho de Woodward [Woo97]. Esforços com o intuito de padronizar interfaces e métodos de avaliação estão sendo desenvolvidos. Acredita-se que essa iniciativa possa tornar biometria um termo mais corriqueiro, integrado no dia-a-dia da atual sociedade. Diversos bancos de dados de impressões digitais foram projetados pelo NIST [NIS]. FERET [FER] e M2VTS [M2V] são exemplos de banco de dados de faces e de faces e voz, respectivamente, que possuem processos de avaliação bem denidos para facilitar a comparação de métodos. BioAPI [Bio] é uma organização que possui o propósito de criar uma especicação para padronizar o desenvolvimento de interfaces para aplicações biométricas. A seguir, informações sobre algumas técnicas biométricas serão apresentadas. Além das técnicas citadas abaixo, é possível que, num futuro próximo, aplicações viáveis de outras técnicas sejam usadas comercialmente: odor, salinidade do corpo e DNA.. 2.2.1 Face Para reconhecer o rosto de uma pessoa, utilizam-se, basicamente, três estratégias. A primeira delas pode ser atribuída à geometria e às proporções da face [BP93]. Outra forma de classicar faces é através de uma análise estatística da face completa, utilizando algoritmos como PCA [KS90, BHK97, MK01, CF03a], LDA [BHK97, SW96, MK01], ICA [BS98], Redes Neurais [LKL97, LGTB97, RBK98] e Wavelets [CW02].. Elastic Graph Matching é uma abordagem que extrai características usando a transformada de Gabor em partes da imagem [LWvdM97]. A face é uma característica bastante aceita pela sociedade em geral, pois, para sua captura, o usuário não precisa passar por nenhum dispositivo invasivo. Outro fator interessante é o baixo custo do dispositivo de captura, uma vez que uma câmera. 30.

(31) digital é suciente. Ainda assim, muitos usuários não se sentem à vontade ao saber que estão sendo lmados. Porém, sistemas de reconhecimento de faces podem falhar quando os usuários alteram alguns atributos estéticos, tais como: mudanças de corte ou cor do cabelo, uso de acessórios como véu, óculos, barba, bigode e chapéu. Além desses fatores, outros podem inuenciar diretamente no desempenho do sistema: iluminação, rotação e escala. Muito progresso está sendo notado na pesquisa de reconhecimento de faces em ambientes controlados, nos quais a iluminação, a escala e a posição são, praticamente, xos. Estudos mais consolidados precisam ser produzidos no trato com imagens com diferentes níveis de iluminação, imagens rotacionadas e em diferentes escalas.. 2.2.2 Assinatura Em ambientes comerciais, a assinatura é amplamente aceita como comprovante de autenticidade pessoal. Documentos como cheques, boletos bancários, comprovante de débito, cartões de crédito, contratos, entre outros, são validados apenas pela conferência da assinatura. Sistemas de classicação de assinatura podem tratar o ato de assinar observando apenas a estrutura da assinatura, ou ainda, podem levar em consideração características sobre o ato de assinar, tais como: velocidade, pressão e pontos em que a caneta não toca a superfície. Essas duas formas são chamadas, respectivamente, de classicação o-line e on-line de assinaturas. O modelo on-line oferece mais informações, pois pode incorporar características sobre a estrutura da assinatura, facilitando, assim, o processo de reconhecimento. Uma diculdade inerente ao problema é que a assinatura de uma mesma pessoa varia bastante (alta variabilidade intra-classe). Isso pode ser agravado dependendo do estado emocional do usuário e por problemas de saúde relacionados com a coordenação motora.. 31.

(32) 2.2.3 Impressão Digital Das técnicas biométricas, as que se baseiam em impressão digital lideram o mercado. Os dispositivos de captura de impressões digitais são baratos e podem ser acoplados ao teclado ou ao mouse. As impressões digitais são únicas. Mesmo gêmeos idênticos possuem digitais distintas, mais ainda, as impressões dos dedos de uma mesma pessoa diferem. Outro fator interessante é o bom desempenho atingido por sistemas computacionais que usam essa técnica. A classicação das digitais, em grande parte dos sistemas, fundamenta-se em alguns pontos especiais, chamados de minúcias. A extração desses pontos é realizada após algumas etapas de melhoramento da imagem: binarização, ltros (realce de vales, eliminação de pontos falsos) e esqueletização. Alguns ambientes de trabalhos não são propícios para o uso da impressão digital. Laboratórios e algumas indústrias necessitam da realização de atividades manuais que podem desgastar a impressão digital. Além dessa desvantagem, parte da sociedade ainda associa a impressão digital a questões jurídico-criminais.. 2.2.4 Voz Sistemas de identicação do usuário através da fala tratam a voz como uma função e se valem dos padrões harmônicos para separar um usuário impostor de um autêntico. Alguns sistemas, chamados de dependentes do texto, usam os padrões extraídos de uma palavra ou frase pré-denidas, que é falada pelo usuário, como, por exemplo: números, senha ou o próprio nome. Outros identicam o usuário através de qualquer frase, esses são conhecidos como sistemas independentes do texto. No segundo caso, espera-se que o sistema seja menos vulnerável a fraudes do que o primeiro. A voz de um usuário pode ser capturada através de um dispositivo simples como um microfone ou um telefone. Um fator desfavorável a esse tipo de biometria é sua susceptibilidade a variações oriundas do estado emocional (cansaço, tristeza, alegria) 32.

(33) e físico (gripe, rouquidão) do usuário. Além disso, ruídos captados pelo microfone podem levar o sistema a recusar um usuário legítimo.. 2.2.5 Mão Três grupos de informações biométricas que podem ser extraídas da mão estão em voga atualmente na literatura: geometria da mão [SRSAGM00, KWSJ03], impressão da palma [DJM02, HCLF03, KWSJ03] e veias do punho [IPK+ 01]. Comprimento e largura dos dedos, tamanho e área da palma da mão e comprimento da mão são características geométricas. Assim como a impressão digital, a impressão da palma da mão oferece pontos delta e minúcias, além de três linhas principais, chamadas de: linha do coração, linha da mente e linha da vida. Os padrões das veias do punho são extraídos através de um dispositivo que não requer contato, apenas uma "fotograa"da amostra é requerida. Esse atributo representa uma vantagem em relação a outras biometrias. Alguns trabalhos têm focado nessa área, com o intuito de preencher o espaço não alcançado por outras tecnologias. Impressão digital é a técnica mais usada atualmente. Entretanto, é difícil capturar suas características relevantes em grupos de pessoas que realizam trabalhos manuais em laboratórios e em pessoas idosas [KWSJ03]. Im et al. [IPK+ 01], implementaram um FPGA(Field Programmable Gate Array), de baixo custo, que atingiu 99,45% de acerto, gastando apenas 150ms por pessoa para fornecer a decisão. O banco de dados por eles usado continha informações de 10 mil pessoas. Uma estratégia que unia características geométricas com a impressão da palma da mão foi desenvolvida por Kumar et al. [KWSJ03].. 2.2.6 Íris A íris (parte colorida dos olhos) oferece uma imagem complexa que é única em cada ser humano. Das técnicas biométricas mais difundidas, imagens da íris encontram-se no grupo das que apresentam melhor precisão [JHP00, RSB01]. A 33.

(34) grande desvantagem desse tipo de abordagem reside no tipo de sensor utilizado. Atualmente, é necessário se aproximar bastante do dispositivo de captura, isso caracteriza um método invasivo que se torna um incômodo para o usuário. Além da necessidade da cooperação do usuário, o sistema de classicação de íris é muito exigente, no que diz respeito à qualidade da imagem adquirida. Imagens de baixa qualidade, íris com uma pupila muito grande ou não centralizada, são normalmente rejeitadas logo na aquisição [WTJ03].. 2.2.7 Retina Sistemas de identicação pessoal que usam a retina (imagem do fundo do olho), analisam uma camada interna do olho que é composta por vasos sanguíneos que formam um padrão único em cada indivíduo. Assim como a íris, a captura da imagem da retina é um processo difícil e incômodo, pois é necessário que o usuário olhe xamente para um ponto luminoso até que a câmera capture os padrões. O custo associado ao dispositivo para capturar a retina é mais alto do que o para íris. Assim, o uso dessa modalidade só se justica em ambientes nos quais a segurança é prioridade absoluta, como exemplo no trato com presidiários de alta periculosidade.. 2.2.8 Radiograa Dental O principal objetivo do uso de radiograa dental é identicar indivíduos nos casos em que outras características não estão mais disponíveis. Normalmente, a radiograa dental, extraída após a morte, é comparada com uma ou mais radiograas que foram extraídas quando o indivíduo estava vivo. As características usadas para vericar a similaridade vão desde propriedades dos dentes (ausência/presença, morfologia da raiz, patologias e restaurações), até detalhes do tecido periodontal, passando por feições anatômicas. Um atributo problemático em sistemas que usam radiograas dentais é a longevidade da conformação dentária 34.

(35) do indivíduo. As características dentais mudam bastante durante a vida [JCM03].. 2.2.9 Formato da Orelha A orelha é outra característica que distingue humanos. Burge e Burger [BB99] extraíram 12 características geométricas relativas à orelha para a construção de um sistema de identicação pessoal. Essa modalidade será útil quando usada para complementar outra técnica. Identicação usando a orelha é extremamente dependente da iluminação, posição e escala. Outro fator negativo é atribuído à oclusão parcial, ou total, da orelha pelos cabelos.. 2.2.10 Imagem Térmica do Rosto O sistema vascular da face produz um padrão térmico único que emana através da pele. Essas características podem ser observadas com uma câmera que capture luz infravermelha. A iluminação é uma desvantagem do sistema de reconhecimento de faces, que pode ser sanada quando a temperatura da face é analisada, pois, uma câmera infravermelha pode capturar informações mesmo na ausência de luz. Algumas desvantagens são: dependência do estado emocional, alterações de temperatura devido a doenças, além de dependência de rotação e de escala.. 2.2.11 Dinâmica da Digitação Assim como a geometria da mão, a dinâmica da digitação é uma forma barata de se implementar autenticação pessoal, em especial para acesso a computadores. As características analisadas são extraídas da forma como a pessoa digita. A velocidade, tempo entre o acionamento de cada tecla, a força aplicada a cada tecla e a duração do tempo de pressionamento de cada tecla formam um padrão que difere de pessoa para pessoa. O dispositivo necessário para a implementação dessa. 35.

(36) modalidade já está disponível nos computadores atuais, uma vez que apenas um teclado é requerido.. 2.3 SISTEMA BIOMÉTRICO MONOMODAL Uma arquitetura básica de um sistema biométrico pode ser visualizada na Figura 2.2. Basicamente, ela é composta de uma etapa de treinamento e uma etapa de uso. Na etapa de treinamento, algumas amostras biométricas dos indivíduos são utilizadas para criar uma representação que os denote. Na etapa de uso, o sistema treinado utiliza a representação criada na etapa anterior para atribuir um valor verdade ao indivíduo que está sob investigação. Treinamento Sensor Biométrico. Extração de Características Biométricas. BD. Biometria Uso. Sensor Biométrico. Verificação Biométrica. Aceita Recusa. Reconhecimento Biométrico. Lista de respostas. Extração de Características Biométricas. Figura 2.2: Arquitetura básica de um sistema de identicação pessoal monomodal. O tipo de sensor empregado depende, diretamente, da técnica biométrica escolhida. Desta forma, o processo de aquisição do padrão pode ocorrer de diversas formas, como, por exemplo, câmera digital (face, mão, imagem térmica do rosto, orelha, movimento dos lábios), teclado (dinâmica da digitação), dispositivo de captura de impressão digital, microfone, mesa digitalizadora (assinatura), entre outros. A tarefa do módulo de Extração de Características é reduzir a dimensão dos dados de entrada, resguardando, no entanto, informações que discriminem, da melhor 36.

(37) forma possível, os padrões. A Classicação de Padrões pode ser dividida em duas classes menores: Vericação e Reconhecimento. Na Vericação, o padrão (usuário), fornecido como entrada, é comparado com sua representação prévia, armazenada no banco de dados (BD). A saída atesta se o usuário é autêntico ou não, isto é, se ele é quem diz ser. Já no Reconhecimento, o objetivo é encontrar dentro do BD usuários que se assemelhem bastante ao padrão de entrada. Uma lista de possíveis candidatos é fornecida como saída. O trabalho de encontrar o candidato ideal é deixado para uma fase posterior, que pode requerer intervenção humana ou não.. 2.3.1 Avaliação de Desempenho Na seção anterior, foi observado que sistemas de classicação de padrões podem ser divididos em sistemas de reconhecimento e em sistemas de vericação (autenticação). Um sistema de reconhecimento associa um novo exemplar a uma das classes do problema em questão. Já um sistema de vericação consiste em aceitar ou rejeitar uma determinada observação. Esse último pode ser visto como um reconhecimento, no qual existem apenas duas classes, uma representando um usuário verdadeiro e a outra um impostor. Discussões sobre como avaliar e selecionar um sistema baseado em biometria podem ser encontradas nos trabalhos de Shen et al. [SSK97], de Wayman [Way99] e de Daugman [Dau00].. − Correta Aceitação − Correta Rejeição. critério c. − Falsa Aceitação − Falsa Rejeição Autêntico fau. Impostor fim. Figura 2.3: Região de decisão para sistemas biométricos. 37.

(38) As regiões de decisão geradas por problemas de autenticação biométrica podem ser visualizadas na Figura 2.3. As duas curvas modelam distribuições de probabilidade de cada uma das classes, as quais não são completamente separadas. A abcissa representa alguma métrica de similaridade. As duas curvas geram quatro regiões, que são nomeadas da seguinte forma: Correta Aceitação (CA), Correta Rejeição (CR), Falsa Aceitação (FA) e Falsa Rejeição (FR). CA e CR representam usuários autênticos e impostores corretamente classicados, respectivamente. Os erros podem vir de duas fontes: usuários impostores classicados como autênticos (FA) e usuários autênticos classicados como impostores (FR). A probabilidade de cada uma das quatro possíveis regiões é dada pela área abaixo das suas distribuições de probabilidade sobre cada um dos lados gerados pelo critério de decisão, Equações ., ., . e ... P (CA) =. P (CR) =. P (F A) =. P (F R) =. Z c 0. Z 1 c. Z c 0. Z 1 c. fau (x) dx. (.). fim (x) dx. (.). fim (x) dx. (.). fau (x) dx. (.). Na Figura 2.3, observam-se duas classes: autêntico e impostor. O trabalho do classicador é determinar se um novo padrão é, na realidade, um usuário verdadeiro ou apenas um impostor. O critério de decisão c gerado pelo classicador pode tornar o sistema mais permissivo a erros provocados por aceitar usuários impostores ou, por outro lado, pode torná-lo mais restritivo, ao rejeitar usuários autênticos. Então, nota-se que existe uma relação entre a taxa de aceitação de usuários autênticos e a taxa de aceitação de impostores.. 38.