Faculdade de Engenharia Elétrica e de Computação
Fusão Biométrica com Lógica Nebulosa
Autor: Ricardo Nagel Rodrigues
Orientador: Prof. Dr. Lee Luan Ling
Dissertação de Mestrado apresentada à Faculdade de Engenharia Elétrica e de Computação como parte dos requisitos para obtenção do título de Mestre em Engenharia Elétrica. Área de concentração: Teleco-municações e Telemática.
Banca Examinadora
Fábio Violaro, Dr. . . DECOM/FEEC/Unicamp João Baptista Tadanobu Yabu-uti, Dr. . . DECOM/FEEC/Unicamp Zhao Liang, Dr. . . ICMC/USP-São Carlos
Campinas, SP
Junho/2006
FICHA CATALOGRÁFICA ELABORADA PELA
BIBLIOTECA DA ÁREA DE ENGENHARIA E ARQUITETURA - BAE - UNICAMP
R618f
Rodrigues, Ricardo Nagel
Fusão biométrica com lógica nebulosa / Ricardo Nagel Rodrigues. --Campinas, SP: [s.n.], 2006. Orientador: Lee Luan Ling.
Dissertação de Mestrado - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação.
1. Biometria. 2. Conjutos difusos. 3. Sistemas de reconhecimento de padrões. I. Lee Luan Ling. II. Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação. III. Título.
Título em Inglês: Multimodal biometric fusion with fuzzy logic
Palavras-chave em Inglês: Biometrics, Fuzzy sets, Pattern recognition systems Área de concentração: Telecomunicações e Telemática
Titulação: Mestre em Engenharia Elétrica
Banca examinadora: Zhao Liang, João Baptista Tadanobu Yabu-Uti, Fabio Violaro
Data da defesa: 29/06/2006
Programa de Pós Graduação: Engenharia Elétrica
iii
Resumo
Neste trabalho, apresentamos um novo método para fazer a fusão de dois sistemas biométricos unimodais. O objetivo é gerar um sistema biométrico multimodal que apresente menores taxas de erro, maior robustez e maior segurança.
O método proposto pode ser usada para integrar qualquer tipo de modalidade biométrica. Desta forma, fazemos uma descrição geral do sistema multimodal proposto, sem restrição quanto ao tipo de tecnologias biométricas que serão combinadas. Após esta descrição geral, três sistemas de reconhe-cimento biométrico (baseados na face, impressão digital e dinâmica da digitação) são apresentados e a metodologia é testada combinando-se a face com a impressão digital e a face com a dinâmica da digitação.
A fusão dos dados biométricos é feita no nível de comparação, sendo que uma das principais inovações do método proposto é que, além dos índices de similaridade, o módulo de fusão recebe também um índice de confiabilidade das amostras coletadas e um parâmetro que indica a segurança dos sistemas unimodais. Estes dados são processados através de um sistema de inferência nebuloso, produzindo um único valor de saída que é usado para decidir se o usuário é genuíno ou impostor.
Novos procedimentos de testes, que simulam condições de operação adversas, foram adotados e mostraram que o método de fusão biométrica proposto apresenta vantagens quando comparado com a fusão através da regra da soma.
Palavras-chave: Biometria Multimodal, Reconhecimento de Face, Impressão Digital, Dinâmica da Digitação, Lógica Nebulosa, Reconhecimento de Padrões.
Abstract
In this work, we present a new method for fusing two unimodal biometric systems. The objective is to create a multimodal biometric system with low error rates, high robustness and security.
The proposed method can be used to combine any two kinds of biometric modalities. We make a general description of the proposed method, with no restrictions about which biometric technologies will be combined. After this general description, three biometric recognition systems (based on face, fingerprint and keystroke dynamics) are introduced and the fusion method is tested by combining face with fingerprint and face with keystroke dynamics.
The biometric data fusion is performed at the matching score level. One of the main novelties of the proposed method is that, besides similarity scores, the fusion module also receives as input a sample reliability index and a parameter that indicate the security level of the unimodal biometric systems. This set of data is processed by a fuzzy inference system, producing one single output score that is used to decide if the user is either genuine or impostor.
Novel test procedures, that simulate adverse operational conditions, have indicated that the pro-posed biometric fusion method presents some advantages when compared with the fusion using the sum rule.
Keywords: Multimodal Biometrics, Face Recognition, Fingerprint, Keystroke Dynamics, Fuzzy Logic, Pattern Recognition.
Dedico esta tese à minha família e à minha noiva.
A minha família pelo apoio durante esta jornada. A minha amada Greyce.
Aos colegas e amigos Carlos, Christian, Flávio, Glauco, Lígia e Lívio. Ao meu orientador Prof. Lee Luan Ling.
À CAPES, pelo apoio financeiro.
Sumário
Lista de Figuras xiii
Lista de Tabelas xv
Glossário xvii
Lista de Símbolos xix
Trabalhos Publicados Pelo Autor xxi
1 Introdução 1
1.1 Controle de Acesso . . . 1
1.2 Introdução aos Sistemas Biométricos . . . 2
1.3 Funcionamento Geral de um Sistema Biométrico . . . 4
1.3.1 Cadastramento . . . 4
1.3.2 Verificação de Identidade . . . 4
1.3.3 Identificação . . . 5
1.4 Medindo o desempenho de um sistema biométrico . . . 7
1.5 Tipos de tecnologias biométricas . . . 10
1.6 Qualidade da Amostra Biométrica . . . 14
1.7 Conclusões do Capítulo . . . 14 1.8 Estrutura da Dissertação . . . 14 2 Biometria Multimodal 17 2.1 Motivação . . . 17 2.2 Estratégias de Integração . . . 19 2.2.1 Arquitetura de Integração . . . 20 2.2.2 Nível da fusão . . . 21 2.2.3 Estratégia de Fusão . . . 25
2.3 Estado da Arte das Estratégias de Fusão . . . 25
2.4 Conclusões do Capítulo . . . 28
3 Fusão Biométrica com Lógica Nebulosa 31 3.1 Introdução à Lógica Nebulosa . . . 31
3.1.1 Conceitos Básicos . . . 31 xi
3.1.2 Sistema de Inferência Nebuloso . . . 33
3.2 Descrição Geral do Método Proposto . . . 34
3.3 Módulo de Fusão . . . 36
3.3.1 Definição das Variáveis Nebulosas e seus Valores Lingüísticos (Fuzzificação) 37 3.3.2 Definição das regras nebulosas . . . 40
3.3.3 Defuzzificação . . . 41
3.4 Análise de Comportamento do Sistema . . . 42
3.5 Conclusões do Capítulo . . . 44
4 Implementação dos Sistemas Biométricos Unimodais 47 4.1 Impressão Digital . . . 47
4.1.1 Extração de Minúcias . . . 48
4.1.2 Comparação de Duas Impressões Digitais . . . 50
4.1.3 Análise da Qualidade . . . 52
4.1.4 Banco de Dados . . . 53
4.1.5 Desempenho . . . 53
4.2 Reconhecimento de Face . . . 54
4.2.1 Pré-processamento da Imagem . . . 54
4.2.2 Método das Eigenfaces . . . . 56
4.2.3 Comparação de duas faces . . . 58
4.2.4 Banco de Dados . . . 59 4.2.5 Desempenho . . . 59 4.3 Dinâmica da Digitação . . . 61 4.3.1 Método estatístico . . . 62 4.3.2 Banco de Dados . . . 64 4.3.3 Desempenho . . . 64 4.4 Conclusões do Capítulo . . . 65 5 Experimentos e Resultados 67 5.1 Construção da base de dados multimodal . . . 67
5.2 Métodos de Fusão Testados . . . 68
5.3 Experimentos Conduzidos . . . 69
5.4 Resultados . . . 70
5.4.1 Integração da Impressão Digital com a Face . . . 70
5.4.2 Integração da Face com a Dinâmica da Digitação . . . 75
5.5 Conclusões do Capítulo . . . 76
6 Conclusões 81 6.1 Trabalhos Futuros . . . 82
Lista de Figuras
1.1 Autenticação em sistemas de informação: o elo mais fraco. . . 2
1.2 Cadastramento de um usuário em um sistema biométrico. . . 4
1.3 Reconhecimento sendo feito no modo de verificação de identidade. . . 6
1.4 Reconhecimento sendo feito no modo de identificação. . . 7
1.5 Distribuição de densidade de probabilidade para comparações genuínas e de impostores. 9 1.6 Gráfico que mostra a variação das taxas de erro de acordo com o threshold. . . . 10
1.7 Curva ROC (Receiver Operating Characteristics). . . . 11
2.1 Sistemas biométricos sendo integrados de forma serial. . . 20
2.2 Sistemas biométricos sendo integrados de forma paralela. . . 21
2.3 Sistemas biométricos sendo integrados de forma hierárquica. . . 21
2.4 Fusão biométrica no nível de extração de características. . . 23
2.5 Fusão biométrica no nível de comparação. . . 24
2.6 Fusão biométrica no nível de decisão. . . 25
3.1 Exemplo de funções de pertinência para a variável lingüística temperatura. . . . 32
3.2 Diagrama em blocos do método proposto de fusão biométrica . . . 35
3.3 Diagrama em blocos do módulo de fusão biométrica proposto. . . 37
3.4 Função de pertinência da expressão lingüística alta similaridade. . . . 39
3.5 Regras do sistema de inferência nebuloso. . . 41
3.6 Comportamento do módulo de fusão quandor1 = 1, r2 = 1, c1 = 1 e c2 = 1. . . 43
3.7 Comportamento do módulo de fusão quandor1 = 1, r2 = 1, c1 = 1 e c2 = 0. . . 44
3.8 Comportamento do módulo de fusão quandor1 = 1, r2 = 1, c1 = 0 e c2 = 0. . . 45
3.9 Comportamento do módulo de fusão quandor1 = 1, r2 = 0, c1 = 1 e c2 = 0. . . 46
4.1 Etapas da extração de características. . . 48
4.2 Medidas relativas entre duas minúcias de uma impressão digital. . . 51
4.3 Distribuição de probabilidade do índice de similaridade para o sistema de impressões digitais. . . 54
4.4 Curva ROC do sistema de reconhecimento de impressões digitais. . . 55
4.5 Influência da qualidade das amostras no índice de similaridade do sistema de im-pressões digitais. . . 56
4.6 Normalização da face. . . 57
4.7 Exemplo de algumas eigenfaces. . . . 58
4.8 Exemplo de um conjunto de imagens do banco de dados de face. . . 60 xiii
4.9 Curva ROC do sistema de reconhecimento de faces. . . 61
4.10 Distribuição de probabilidade do índice de similaridade para o sistema de faces. . . . 62
4.11 Influência da qualidade das amostras no índice de similaridade do sistema de faces. . 63
4.12 Curva ROC do sistema de reconhecimento da dinâmica da digitação. . . 65
4.13 Distribuição de probabilidade do índice de similaridade para o sistema de dinâmica da digitação. . . 66
5.1 Curva ROC do Experimento 1 na integração de face e impressão digital. . . 71
5.2 Curva ROC do Experimento 2 na integração de face e impressão digital. . . 72
5.3 Curva ROC do Experimento 3 na integração de face e impressão digital. . . 73
5.4 Curva ROC do Experimento 1 na integração de face e dinâmica da digitação. . . 76
5.5 Curva ROC do Experimento 2 na integração de face e dinâmica da digitação. . . 77
Lista de Tabelas
4.1 Vetor de características utilizado para análise de qualidade de uma impressão digital. 52 4.2 Significado do índice de qualidade de uma impressão digital. . . 52 4.3 Descrição dos grupos de faces da série b. . . 60 5.1 Parâmetros dos métodos de fusão biométrica. . . 70 5.2 Taxas de erros para a integração da face com impressão digital quando o valor do
limiar de decisão é fixado em alguns pontos de referência. . . 74 5.3 Taxas de erros para a integração da face com dinâmica da digitação quando o valor
do limiar de decisão é fixado em alguns pontos de referência. . . 79
EER - Taxa de erro igual (Equal Error Rate)
FAR - Taxa de falsa aceitação (False Acceptance Rate) FRR - Taxa de falsa rejeição (False Rejection Rate)
GAR - Taxa de aceitação de genuínos (Genuine Acceptance Rate) IQA - Índice de Qualidade da Amostra
PCA - Análise de componentes principais - Principal component analysis PIN - Personal Identification Number
PKI - Public Key Interface
ROC - Receiver Operating Characteristics ZeroFAR - Taxa de zero falsa aceitação ZeroFRR - Taxa de zero falsa rejeição
Lista de Símbolos
p(x) - Função densidade de probabilidade da variável aleatóriax
P (x) - Função distribuição de probabilidade da variável aleatória x
v - Vetor de características
s - Valor de similaridade entre uma amostra padrão (template) e uma amostra de teste
τ - Limiar de decisão (threshold)
1. Ricardo N. Rodrigues, Glauco F.G. Yared, Carlos R. do N. Costa, João B.T. Yabu-Uti, Fábio Violaro and Lee Luan Ling. “Biometric Access Control Through Numerical Keyboards Based on Keystroke Dy-namics”. International Conference on Biometrics 2006 (ICB2006), Lecture Notes in Computer Science, No. 3822, pg. 640-646, 2005.
2. Ricardo N. Rodrigues, Glauco F.G. Yared, Carlos R. do N. Costa, João B.T. Yabu-Uti, Fábio Violaro e Lee Luan Ling. “Autenticação Biométrica via Dinâmica da Digitação em Teclados Numéricos”. XXII
Simpósio Brasileiro de Telecomunicações (SBrT’2006), Campinas, SP, Brasil, 04-08 Setembro 2005.
Capítulo 1
Introdução
1.1
Controle de Acesso
A necessidade de verificar se uma pessoa está autorizada a ter acesso a um determinado recurso não é recente e tão pouco incomum. Existem inúmeras aplicações que necessitam verificar se uma determinada pessoa pode entrar em algum local, executar alguma ação, utilizar um objeto, acessar certas informações, etc. Portanto, pode-se dizer que sempre que existir a necessidade de se restringir o acesso das pessoas a um determinado recurso, é preciso implementar algum método para garantir que somente as pessoas devidamente autorizadas tenham condições de utilizar este recurso. Em outras palavras, é necessária fazer a autenticação da pessoa que deseja acessar o recurso.
Atualmente, as formas mais populares de autenticação pessoal são baseadas em algo que carre-gamos ou algo que sabemos. No primeiro caso, a posse de um objeto específico (como uma chave, um cartão ou um token) permite o acesso ao recurso desejado. No segundo caso o conhecimento de uma senha ou um número de identificação pessoal (PIN) é utilizado para fazer a autenticação. No en-tanto, estes métodos tradicionais apresentam grandes problemas, já que um objeto pode ser facilmente perdido, roubado ou falsificado e uma senha pode ser esquecida ou descoberta por um invasor.
De acordo com uma pesquisa apresentada por Furnella et al. (2000), 34% das pessoas nunca atu-alizam suas senhas e 40% reutilizam a mesma senha em várias aplicações. Isto leva a uma fragilidade na segurança de sistemas que utilizam senhas para fazer a autenticação, que de acordo com KPMG (1998) é adotada em 97% das organizações. Além disto, de acordo com o Gartner Group, entre 20% a 50% de todas as ligações para o suporte técnico das empresas são relacionadas com o esquecimento de senhas, o que gera um grande custo operacional adicional.
A expansão do uso de computadores e do comércio eletrônico criou a chamada "segurança da informação", que visa garantir a segurança dos sistemas que funcionam através da internet, bem como a autenticidade das informações que estão sendo armazenadas ou transmitidas. A fim de se obter esta
segurança, os equipamentos destes sistemas são geralmente instalados em internet data centers que restringem rigorosamente o acesso físico a estes equipamentos; soluções que utilizam criptografia, como o public key interface (PKI), garantem a segurança das informações e do canal de transmissão;
firewalls e protocolos seguros garantem o acesso ao sistema somente para os usuários autorizados, no
entanto, a autenticação destes usuários é geralmente feita através de uma simples senha, o que torna esta etapa o elo mais fraco do sistema (veja figura 1.1).
Fig. 1.1: Autenticação em sistemas de informação: o elo mais fraco.
Uma evolução no controle de acesso, que visa solucionar os problemas dos métodos tradicionais, é fazer a autenticação de uma pessoa baseada não em algo que ela possua ou saiba, mas através de algo que a pessoa é, ou seja, através de uma característica pessoal; este é o princípio da autenticação biométrica.
1.2
Introdução aos Sistemas Biométricos
A definição mais geral de biometria se refere ao ramo da biologia que desenvolve e aplica métodos matemáticos em problemas de análise de dados biológicos. No entanto, no ramo da tecnologia da informação, a definição de biometria se refere a medição de características humanas para realização do processo de autenticação pessoal. Esta última será a definição adotada neste trabalho.
Os primeiros registros da utilização da biometria datam do século XIV, onde segundo os relatos do explorador português João de Barros, alguns chineses estampavam a palma da mão e do pé de crianças em folhas de papel com o intuito de diferenciar uma das outras. Apesar disto, as técnicas biométricas só começaram a se tornar populares na metade do século XIX, quando o chefe de investigações criminais da polícia de Paris, Alphonse Bertillon, desenvolveu e aplicou um método para identificar criminosos usando uma série de medidas corporais.
1.2 Introdução aos Sistemas Biométricos 3 No fim do século XIX, com o avanço nos estudos da biometria, a impressão digital substituiu o método de Bertillon. A impressão digital rapidamente se popularizou no âmbito da investigação criminal, principalmente após a aceitação pelos tribunais de que não existem duas pessoas com a mesma impressão digital, o que tornava possível a identificação de criminosos através de um simples vestígio de impressão digital deixada no local do crime.
Inicialmente, todas comparações entre impressões digitais eram feitas de forma manual, o que limitava a sua utilização a poucas aplicações práticas. No entanto, a necessidade de maior velocidade nas comparações e o avanço dos sistemas computacionais levaram ao desenvolvimento de sistemas automáticos de reconhecimento, que inicialmente continuaram a ser utilizados somente no ramo cri-minal, mas logo foram adaptadas para outras aplicações, dando início ao desenvolvimento da indústria do reconhecimento biométrico.
Atualmente, os sistemas biométricos podem ser utilizados em qualquer aplicação onde exista a necessidade de se fazer a autenticação de uma pessoa, propiciando assim, uma maior segurança quando comparado com os sistemas tradicionais de autenticação. Além do campo criminal, alguns exemplos onde os sistemas biométricos já são utilizados são:
• Transações bancárias - neste caso, a transação só pode ser efetuada após a comprovação que o usuário é mesmo o correntista ou alguém autorizado a efetuar a transação. Muitos bancos já utilizam esta tecnologia em caixas eletrônicos e em serviços pela internet;
• Controle de ponto de empregados - a autenticação biométrica é utilizada para controle de en-trada e saída de funcionários de uma empresa, o que evita possíveis fraudes;
• Controle de acesso a locais físicos - locais de alta segurança e de acesso restrito podem ter seu acesso controlado. Esta aplicação é muito comum em locais militares e em empresas. Para o mercado civil, atualmente são comercializadas maçanetas onde a chave é a impressão digital do usuário e elevadores que só param no andar do morador após fazer a autenticação biométrica. • Controle aeroportuário - atualmente, os EUA coletam uma amostra da impressão digital e da
face de todos os estrangeiros que cruzam suas fronteiras.
• Login em computadores - existem softwares comerciais que fazem o login no sistema opera-cional através do reconhecimento biométrico.
• Proteção de objetos - neste tipo de aplicação, uma pessoa só tem acesso a um objeto após ser autenticada por alguma biometria. Existem protótipos de armas que antes de disparar verificam se quem está efetuando o disparo está autorizado a disparar; cofres que são protegidos pela impressão digital; carros que só podem ser ligados pelo dono, etc.
1.3
Funcionamento Geral de um Sistema Biométrico
Para que seja possível fazer o reconhecimento de uma pessoa, é necessário que as característi-cas biométricaracterísti-cas desta pessoa sejam previamente armazenadas para que sirvam de referência. Deste modo, os sistemas biométricos são constituídos de uma etapa de cadastramento e uma etapa de re-conhecimento, sendo que esta última pode ser realizada no modo de verificação ou no modo de identificação (Zhang, 2000).
1.3.1
Cadastramento
A figura 1.2 mostra como geralmente é feita a etapa de cadastramento de um usuário em um sistema biométrico. O usuário que será cadastrado, representado porα, tem sua característica biomé-trica escaneada pelo sensor biométrico, gerando uma amostra biomébiomé-trica. A partir desta amostra, um algoritmo apropriado extrai um vetor de características, representado porvα, que é armazenado em
um banco de dados, smart card ou outra mídia, juntamente com os dados de identificação do usuário
α (nome, PIN, etc). O conjunto dos usuários cadastrados será representado por U.
Fig. 1.2: Cadastramento de um usuário em um sistema biométrico.
É importante ressaltar que o esquema mostrado na figura 1.2 representa uma idéia geral do pro-cesso de cadastramento, sendo que existem sistemas biométricos que funcionam de forma diferente. Por exemplo, muitas vezes, o vetor de características extraído pelo módulo de extração de caracte-rísticas não é propriamente um vetor, mas sim uma estrutura de dados que contém as caractecaracte-rísticas extraídas; além disto, alguns sistemas biométricos capturam mais de uma amostra amostra biométrica durante a etapa de cadastramento, gerando vários vetores de características.
1.3.2
Verificação de Identidade
Quando o reconhecimento está sendo feito no modo de verificação de identidade, é necessário que o usuário informe previamente ao sistema quem ele é (através de um nome de usuário, senha,
1.3 Funcionamento Geral de um Sistema Biométrico 5 cartão magnético, etc). Assim, através da leitura biométrica, o sistema irá verificar se aquele usuário é realmente quem ele diz ser. Este modo de reconhecimento também é conhecido como reconhecimento 1:1.
A figura 1.3 mostra como é feito o reconhecimento no modo de verificação. Primeiramente um determinado usuário que deseja ser reconhecido clama uma identidade através da inserção de um PIN, uma senha ou um smart card. Desta forma, o sistema carrega o vetor de características modelo
vα, onde α ∈ U representa a identidade clamada pelo usuário. Uma nova amostra biométrica é
capturada pelo sensor e processada da mesma forma como feita na etapa de cadastramento, gerando um novo vetor de característicasvα, que supostamente pertence ao usuárioα. Os vetores vαevαsão
comparados conforme a seguinte expressão:
s = M(vα, vα); (1.1)
ondes é um escalar que representa o índice de similaridade entre as duas amostras. Geralmente, a função de comparaçãoM é implementada através de alguma norma entre vetores, como por exemplo a distância euclidiana.
Após a etapa de comparação, o índice de similaridades é usado pelo módulo de decisão para de-cidir se a classe final do usuário, representada porw, é genuíno ou impostor. Esta decisão geralmente é feita através da aplicação de um limiar de decisão pré-estabelecido, representado porτ , da seguinte forma: w = ⎧ ⎨ ⎩ genuíno , casos ≥ τ
impostor , caso contrário (1.2)
Portanto, uma operação de verificação depende dos dois vetores de características que serão com-parados, da função que realizará a comparaçãoM e do threshold de decisão τ , podendo ser represen-tada pela funçãoV da seguinte forma:
w = V (v, v, M, τ ) (1.3) ondew ∈ {genuíno, impostor}.
1.3.3
Identificação
Neste modo de operação, o sistema biométrico procura responder a questão "quem é esta pessoa?". Este tipo de reconhecimento também é conhecido como reconhecimento 1:n. A vantagem deste modo de operação é que a autenticação é feita diretamente através do uso da biometria, eliminando o uso de senhas ou cartões por parte do usuário. No entanto, o custo computacional para fazer este tipo de autenticação é muito maior quando comparado com a verificação e aumenta proporcionalmente com
Fig. 1.3: Reconhecimento sendo feito no modo de verificação de identidade.
o número de usuários cadastrados no banco de dados, o que dificulta sua aplicação em sistemas de grande porte. Além disto, as taxas de erro são geralmente maiores neste modo de operação.
Conforme mostrado na figura 1.4, o usuárioα que deseja ser identificado deve fornecer somente a característica biométrica ao sensor. Assim, o sistema fará a comparação do vetor de característica
vα com todos os vetores modelo {vΔ}, ∀Δ ∈ U gerando um conjunto de índices de similaridade
sΔ, ∀Δ ∈ U, conforme representado na equação 1.4. Pode-se perceber que a comparação será feita com todos os usuários cadastrados no banco de dados e a decisão final sobre a identidade do usuário será baseada na comparação que apresentar maior índice de similaridade (equação 1.5).
sΔ= M(vα, vΔ), ∀Δ ∈ U (1.4)
w = argΔmax sΔ, ∀Δ ∈ U (1.5) ondew ∈ U é a identidade do usuário atribuída pelo sistema biométrico.
Como dito anteriormente, o reconhecimento feito no modo de identificação apresenta grande custo computacional, já que é necessário fazer a comparação com todos os usuários pertencentes ao conjunto U. Algumas técnicas para aumentar a performance da identificação são amplamente utilizadas em sistemas comerciais. Uma delas realiza uma pré-classificação da amostra biométrica com a finalidade de diminuir o número de usuários que devem ser comparados. Por exemplo, em um sistema de identificação que utiliza a voz como característica biométrica, pode-se pré-classificar a amostra como sendo masculina ou feminina, e assim comparar somente com os usuários do respectivo sexo. Outro método que aumenta a performance em sistemas de larga escala consiste na utilização de um algoritmo rápido que seja capaz de identificar um subconjunto de usuários que apresentem grande probabilidade de conter o verdadeiro usuário; desta forma, um algoritmo mais preciso (e com maior custo computacional) pode ser aplicado neste subconjunto para identificar o usuário verdadeiro.
1.4 Medindo o desempenho de um sistema biométrico 7
Fig. 1.4: Reconhecimento sendo feito no modo de identificação.
1.4
Medindo o desempenho de um sistema biométrico
A análise do desempenho de um sistema biométrico é feito de forma empírica. Portanto, deve-se ter um conjunto de amostras de testes rotuladas, ou seja, que contenham, além da amostra biométrica, a identificação do usuário a que ela pertence. Para cada usuário presente no conjunto de teste, deve existir no mínimo duas amostras: uma que será usada no cadastramento deste usuário para gerar o vetor modelo e outra que será usada para teste. Supondo queUT é o conjunto contendo a identificação
de todos os usuários, podemos representar um conjunto de testes contendon amostras da seguinte forma:
(vi, Δi), i = 1 . . . n, Δi ∈ UT (1.6)
ondevi é o vetor de características da i-ésima amostra e Δi sua respectiva identificação.
Existem dois tipos de erros que um sistema biométrico operando no modo de verificação pode cometer: falsa aceitação e falsa rejeição. Uma falsa aceitação acontece quando uma amostra de teste de um determinado usuário é comparada com o vetor modelo pertencente à um usuário diferente, mas o sistema faz o reconhecimento como sendo genuíno. Neste caso um impostor foi aceito como genuíno. Uma falsa rejeição acontece quando uma amostra de teste de um usuário é comparada com o vetor modelo pertencente ao mesmo usuário, mas o sistema faz o reconhecimento como sendo impostor. Neste caso, um usuário genuíno foi reconhecido como impostor.
Matematicamente, temos que uma falsa aceitação acontece quando:
V (vα, vβ, M, τ ) = genuíno | α = β; (1.7)
e uma falsa rejeição acontece quando:
sendo queα, β ∈ UT.
A taxa de falsa aceitação (FAR) é definida como a probabilidade de que aconteça uma falsa aceitação em uma determinada operação de verificação de identidade:
F AR = P [V (vα, vβ, M, τ ) = genuíno | α = β] (1.9)
Analogamente, a taxa de falsa rejeição (FRR) é definida como a probabilidade de que aconteça uma falsa rejeição em uma determinada comparação:
F RR = P [V (vα, vβ, M, τ ) = impostor | α = β] (1.10)
As equações 1.9 e 1.10 mostram que o limiar de decisão tem influência direta nas taxas de erro. Se s = M(vα, vβ) representa o índice de similaridade proveniente da comparação do vetor de
características do usuário α com o vetor modelo do usuário β conforme definido na equação 1.1, podemos analisar a distribuição de densidade de probabilidade de s para o caso de comparações genuínas (quando α = β) e para o caso de comparações de impostores (quando α = β). A figura 1.5 mostra uma distribuição hipotética do índice de similaridade que se assemelha às observadas nos sistemas biométricos reais. Através desta figura, pode-se analisar graficamente a influência do limiar de decisão nas taxas de falsa aceitação e falsa rejeição.
Pode-se perceber que:
F AR(τ ) = ∞ τ p(s|α = β)ds (1.11) F RR(τ ) = τ −∞p(s|α = β)ds (1.12)
Plotando as funções 1.11 e 1.12 para vários valores deτ , obtém-se o gráfico FARxFRR conforme mostrado na figura 1.6. A partir deste gráfico, que geralmente é obtido empiricamente através das amostras de teste, pode-se definir o valor de τ que será utilizado durante a operação do sistema biométrico. Pode-se perceber que conforme a FAR diminui (menos impostores são aceitos), a FRR aumenta (mais genuínos são rejeitados). Portanto, a definição do ponto de operação ideal para o valor deτ depende muito do tipo de aplicação onde o sistema está sendo empregado. Em aplicações de alta segurança, é altamente indesejável que um impostor seja reconhecido como genuíno, o que sugere a escolha de um limiar que apresente baixas taxas de FAR, mesmo que isto signifique altas taxas de FRR. Enquanto isso, em aplicações civis, não é conveniente ter um grande número de usuários genuínos rejeitados como se fossem impostores, portanto baixas taxas de FRR são preferíveis.
1.4 Medindo o desempenho de um sistema biométrico 9 −100 0 10 20 30 40 50 60 70 80 90 0.01 0.02 0.03 0.04 0.05 0.06 0.07 Densidade de probabilidade Índice de similaridade Distribuição Impostores Distribuição Genuínos FRR FAR threshold
Fig. 1.5: Distribuição de densidade de probabilidade para comparações genuínas e de impostores. todos valores de τ , obtemos o gráfico ROC (receiver operating characteristics), que é amplamente
utilizado para a comparação do desempenho de sistemas biométricos. Quanto mais próximo do eixo estiver o gráfico, melhor é o desempenho geral deste sistema. Alguns pontos de referência podem ser definidos neste gráfico conforme mostrado na figura 1.7.
Taxa de erro igual (EER, equal error rate) Este parâmetro é definido como o valor da FAR e FRR quando elas são iguais;
Taxa de zero FRR (ZeroFRR) É definido como a taxa de FAR quando a FRR é zero; Taxa de zero FAR (ZeroFAR) É definido como a taxa de FRR quando a FAR é zero.
No desenvolvimento deste trabalho, usaremos uma variação da curva ROC, chamada curva DET, para analisar o desempenho dos sistemas biométricos. Na curva DET, a escala do eixo FAR é lo-garítmica e a taxa de aceitação de genuínos (GAR) substitui a FRR, sendo queGAR = 1 − F RR.
0 10 20 30 40 50 60 70 80 90 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Threshold Taxa de erro FRR FAR EER ZeroFAR ZeroFRR
Fig. 1.6: Gráfico que mostra a variação das taxas de erro de acordo com o threshold.
A comparação entre dois sistemas biométricos diferentes deve ser analisada com cuidado, pois o resultado das taxas de erro depende muito das características do banco de dados de teste utilizado. A maioria das técnicas de reconhecimento biométrico apresentam excelente desempenho quando so-mente amostras de boa qualidade são testadas, o que nem sempre é possível de se obter em aplicações reais. Por este motivo, um sistema biométrico deve ser testado em um banco de dados que contenha amostras que reflitam situações reais de uso.
1.5
Tipos de tecnologias biométricas
Além da impressão digital, qualquer outra característica humana pode ser utilizada para fazer o reconhecimento biométrico. Estas características podem ser tanto fisiológicas como comportamen-tais, mas para que tenham um bom desempenho alguns requisitos básicos devem ser observados (Jain et al., 2004):
1.5 Tipos de tecnologias biométricas 11 0 0.2 0.4 0.6 0.8 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 FAR FRR ROC ZeroFAR ZeroFRR Linha de EER
Fig. 1.7: Curva ROC (Receiver Operating Characteristics).
• Unicidade - a característica deve ser suficientemente diferente para duas pessoas, permitindo a distinção entre elas. Em outras palavras, a característica biométrica deve apresentar grande variabilidade inter-classe;
• Permanência - a característica não deve sofrer alterações com o passar do tempo e nem sofrer influência do ambiente;
• Coletabilidade - deve ser possível medir quantitativamente a característica de forma confiável e sem machucar as pessoas;
• Aceitabilidade - a coleta da característica deve ser aceita por todos, sem causar reações negati-vas;
• Viabilidade - o tempo de processamento, bem como os equipamentos necessários para efetuar o reconhecimento utilizando esta característica, devem ser viáveis para aplicações práticas; • Segurança - a característica deve ser robusta contra falsificações ou imitações.
Infelizmente nenhuma característica biométrica completa totalmente estes requisitos, sendo que cada uma possui suas vantagens e desvantagens. Portanto a escolha de qual característica deve ser usada depende muito da natureza da aplicação.
A seguir será feita uma descrição geral dos principais tipos de características biométricas uti-lizadas atualmente.
Impressão Digital É a característica biométrica mais popular atualmente. De acordo com o Inter-national Biometric Group (IBG, 2006), tecnologias que usam a impressão digital receberão 43,6% da receita do mercado biométrico de 2006. A impressão digital é formada por linhas que se formam durante a fase de gestação e são diferentes até mesmo para gêmeos univitelinos. A maioria dos algoritmos atual funciona através da detecção e processamento das minúcias, que são pontos onde duas linhas se encontram ou onde uma linha termina. Pode-se dizer, através de uma análise subjetiva, que a impressão digital é uma característica biométrica onde os requi-sitos apresentados anteriormente se apresentam de forma muito equilibrada, o que permite sua utilização em vários tipos de aplicações.
Face Nos sistemas que utilizam a face, a autenticação biométrica é feita através do processamento da imagem facial do usuário capturada por uma câmera. Uma grande vantagem desta biometria é que ela é não intrusiva (não incomoda o usuário), o que a torna ideal para algumas aplicações. Por exemplo, um banco pode instalar uma câmera na entrada da agência e fazer o reconheci-mento dos correntistas antes mesmo que ele fale com algum funcionário; um aeroporto pode procurar pessoas suspeitas sem que elas saibam que estão sendo identificadas. Antes de fazer o reconhecimento facial propriamente dito, a imagem deve ser pré-processada para detectar e isolar a área da face, corrigir problemas de iluminação e pose e eliminar ruídos da imagem. Uma desvantagem da face é a grande susceptibilidade à variações intra-classe, ou seja, a face de uma pessoa pode variar muito em diferentes imagens devido à variações de expressão, diferente ângulo de captura da imagem, presença de óculos, jóias, barba, etc (FRH, 2006).
Íris Assim como a impressão digital, a textura da íris é única para cada pessoa, no entanto, ela contém seis vezes mais informação que a impressão digital (Siedlarz, 1994). Conseqüentemente, a taxa de reconhecimento dos sistemas que utilizam esta característica biométrica é muito boa. O ponto fraco do reconhecimento pela íris é a dificuldade na captura de uma boa imagem. Alguns aspectos que dificultam este processo são: uso de lentes de contato, dilatação da pupila, encobrimento pelas pálpebras e reflexão de luz causada pela córnea. Além disto, é necessário a colaboração dos usuários para a captura da amostra, sendo que algumas pessoas sentem uma grande vulnerabilidade na região dos olhos e não aceitam nenhum tipo de contato ou luz direta no olho.
1.5 Tipos de tecnologias biométricas 13 Voz A voz pode ser classificada como uma mistura de características fisiológicas e comportamen-tais (Markowitz, 2002). O reconhecimento pessoal através das características da voz pode ser feito de duas formas: dependente de texto e independente de texto. Na primeira, a palavra ou frase usada para o reconhecimento é fixa e igual à que foi usada na etapa de cadastramento; já na segunda, não existe um texto específico. Uma grande vantagem do reconhecimento através da voz é que ele pode ser feito através de um canal de comunicação de voz, como por exemplo o telefone, o que o torna ideal para algumas aplicações.
Assinatura A verificação de identidade através da assinatura (não necessariamente de forma au-tomática) já é amplamente utilizada hoje em dia, como por exemplo, em autenticação de con-tratos, compras pelo cartão de crédito, autenticação de cheques, entre outras aplicações. O reconhecimento através da assinatura pode ser feito de forma estática, também chamada de reconhecimento off-line (Lizarraga, 1996), onde somente a forma final da assinatura é anali-sada; ou de forma dinâmica, também chamada de reconhecimento on-line (Ling et al., 1996), onde algumas características são extraídas no momento em que a assinatura está sendo feita. O segundo método possibilita a extração de mais informações sobre a identidade da pessoa que está assinando, mas necessita que a assinatura seja feita no momento do reconhecimento e utilizando equipamentos que capturam a dinâmica da assinatura. Enquanto isso, o método estático pode fazer a autenticação de uma assinatura que foi feita em qualquer instante e em um papel qualquer.
Dinâmica da Digitação A forma com que cada pessoa digita uma senha ou um texto em um teclado de computador é diferente e pode ser usada para fazer o reconhecimento dessa pessoa. Através da captura precisa dos tempos em que cada tecla é pressionada e liberada, pode-se aprender o padrão com que cada um digita. Portanto, a dinâmica da digitação é uma característica compor-tamental. A vantagem deste método é que ele pode ser empregado juntamente com o esquema de autenticação por senha, que é largamente utilizado atualmente, tornando-o de fácil aceitação pelos usuários e de baixo custo, pois não há necessidade de aquisição de hardware adicional. No entanto, a dinâmica da digitação não apresenta grande distinção entre indivíduos, o que leva a um desempenho não tão bom quando comparado com outras características biométri-cas (Araújo et al., 2005).
Além destas características biométricas, existem outras que são utilizadas em aplicações especí-ficas ou que ainda estão sendo pesquisadas (Zhang, 2000). Como exemplo, pode-se citar: DNA, formato da orelha, odor, dinâmica labial, mapa termal da face, mapa termal da mão, linhas da mão, geometria da mão, modo de andar, retina, veias da mão, batimento cardíaco e dentição.
1.6
Qualidade da Amostra Biométrica
Para que um sistema de reconhecimento biométrico funcione de forma eficiente é fundamental que a amostra biométrica utilizada durante o reconhecimento seja capturada com uma boa qualidade, pois uma amostra de baixa qualidade pode causar uma falsa rejeição ou até uma falsa aceitação.
A baixa qualidade de uma amostra biométrica pode estar relacionada tanto à imperfeições na característica biométrica apresentadas pelo próprio usuário como pode ser causada por problemas no momento da coleta, por exemplo: utilização de sensores de baixa qualidade, uso incorreto do sensor, ambiente ruidoso, etc.
Existem vários algoritmos que fazem a análise de uma determinada amostra biométrica e atribuem um índice de qualidade (IQA) à esta amostra. Em agosto de 2004 o NIST (National Institute of
Stan-dards and Technology) apresentou um método para computar o IQA de uma amostra de impressão
digital (Tabassi et al., 2004) e em março de 2006, promoveu um workshop sobre a qualidade das amostras biométricas (Nat, 2006). Em (Chen et al., 2006) um método para análise do IQA de uma amostra da íris foi apresentado e em (Sanderson and Paliwal, 2003) o IQA de uma amostra da voz foi calculado através da relação sinal-ruído.
1.7
Conclusões do Capítulo
Neste capítulo, apresentamos os conceitos básicos sobre biometria. Os seguintes tópicos foram abordados:
• Motivação e aplicação dos sistemas biométricos;
• Descrição geral das etapas de cadastramento e reconhecimento (verificação e identificação); • Apresentação dos tipos de erros e da metodologia para avaliação de um sistema biométrico; • Resumo das principais modalidades biométricas utilizadas atualmente;
• Considerações sobre a importância da qualidade da amostra biométrica para o bom funciona-mento do sistema de reconhecifunciona-mento.
1.8
Estrutura da Dissertação
Esta dissertação está organizada em 6 capítulos:
1.8 Estrutura da Dissertação 15 2. Biometria Multimodal Apresentação dos conceitos e estudo do estado da arte dos sistemas
biométri-cos que utilizam mais de uma modalidade biométrica.
3. Fusão Biométrica com Lógica Nebulosa Neste capítulo, é apresentado o sistema de fusão bio-métrica proposto. É feita uma revisão de alguns conceitos básicos sobre lógica nebulosa. 4. Implementação dos Sistemas Biométricos Unimodais Três sistemas biométricos unimodais são
apresentados. As modalidades biométricas utilizadas são: impressão digital, face e dinâmica da digitação.
5. Experimentos e Resultados Este capítulo descreve os experimentos que foram conduzidos para avaliar o método de fusão biométrica proposto e apresenta os resultados.
6. Conclusões Apresenta as conclusões gerais da dissertação, ressaltando as contribuições e apon-tando trabalhos futuros.
Biometria Multimodal
Neste capítulo, será apresentada uma ampla investigação sobre biometria multimodal, englobando aspectos práticos e teóricos. Na seção 2.1 será respondido o que é biometria multimodal e como ela pode apresentar uma solução aos problemas dos sistemas unimodais. A seção 2.2 mostra as várias configurações que um sistema biométrico multimodal pode apresentar, analisando as vantagens e desvantagens de cada uma. Na seção 2.3, é feita uma revisão bibliográfica do estado da arte dos métodos de fusão biométrica e na seção 2.4 são apresentadas as conclusões do capítulo.
2.1
Motivação
Como mencionado na seção 1.5, existem alguns requisitos que as características biométricas de-vem apresentar, mas que nunca são completamente satisfeitos. Esta limitação cria problemas que muitas vezes devem ser superados para que um sistema biométrico se torne viável em determinadas aplicações. Por exemplo, é impossível reconhecer uma pessoa muda através de um sistema que utiliza a voz, sendo que situação semelhante pode acontecer com qualquer característica fisiológica. Uma forma de solucionar ou minimizar estes tipos de problemas apresentados pelos sistemas biométricos é através da utilização de mais de um tipo de característica biométrica para fazer o reconhecimento; estes sistemas são conhecidos como sistemas biométricos multimodais (Ross and Jain, 2003).
A seguir, serão apresentados os principais problemas que podem acontecer com os sistemas biométricos e as possíveis soluções oferecidas pela utilização de sistemas multimodais.
Falta de universalidade Muitas pessoas podem apresentar algum tipo de deficiência física ou limi-tação que a impossibilite de ser reconhecida por um determinado sistema biométrico. Com a utilização de um sistema multimodal, o reconhecimento pode ser feito caso a pessoa seja capaz de provir ao menos um tipo de característica biométrica, sendo que a chance de uma pessoa
18 Biometria Multimodal não possuir simultaneamente duas ou mais características diminui significativamente. Este fato possibilita que uma maior proporção da população seja capaz de utilizar o sistema.
Falta de unicidade Em geral, a probabilidade de duas pessoas diferentes possuírem uma caracterís-tica biométrica idêncaracterís-tica ou similar é mínima para alguns tipos de biometrias, mas dificilmente é nula. Por exemplo, de acordo com Hallian (1991), a chance de duas pessoas distintas apresenta-rem um padrão de íris iguais é de 10−35. No entanto, alguns tipos de características biométricas podem apresentar um menor nível de unicidade. Por exemplo, um sistema de reconhecimento da face não é capaz de diferenciar dois gêmeos idênticos; um sistema de reconhecimento que utiliza a dinâmica da digitação pode cometer um erro se a forma como duas pessoas digitam em um teclado de computador for semelhante; o mesmo pode acontecer com um sistema de reconhecimento através da voz quando duas pessoas apresentam um timbre vocal parecido. A utilização de duas ou mais características biométricas faz com que o sistema de reconhecimento aumente seu poder de discriminação entre indivíduos, diminuindo significativamente as taxas de erro.
Falta de permanência As pequenas alterações nas características biométricas provocadas pelo tempo podem prejudicar o reconhecimento. Este problema é mais crítico nas características comporta-mentais como assinatura, dinâmica da digitação, modo de andar e até mesmo na voz. As carac-terísticas fisiológicas como face e geometria da mão podem sofrer grande alterações para uma criança ou adolescente na fase de crescimento. Uma prática que visa minimizar estes proble-mas causados pelo tempo é a atualização dos dados ou recadastramento periódico dos usuários. Além disto, pode-se desenvolver um sistema multimodal inteligente que, caso o cadastro do usuário esteja desatualizado, dê um peso maior para as características biométricas que variam pouco com o tempo, como a íris por exemplo.
Dificuldade de coleta Fatores como a baixa qualidade dos sensores biométricos, utilização inade-quada do sistema ou a não colaboração dos usuários, dificultam a aquisição de amostras biométri-cas de boa qualidade e interferem na performance final de um sistema de reconhecimento. Para contornar este problema, um sistema multimodal inteligente deve ser capaz de analisar a qua-lidade das amostras coletadas e selecionar aquelas com a melhor quaqua-lidade. Neste trabalho, será apresentado um método de fusão de sistemas biométricos que leva em consideração estes aspectos.
Baixa aceitabilidade Algumas pessoas não se sentem confortáveis em se submeter a um processo biométrico automático. Esta aversão pode ser causada por motivos ideológicos, religiosos, ou simplesmente pelo medo causado pela falta de informação. Este problema se torna mais
crítico nos sistemas multimodais, já que é necessário coletar amostras de diferentes modali-dades biométricas. No entanto, este problema pode ser minimizado pela utilização de um es-quema multimodal em série onde a aquisição de uma nova amostra só se faz necessária quando a amostra anterior não tenha fornecido informação suficiente para reconhecer o indivíduo com um determinado grau de certeza. Outra solução possível é a utilização de sistemas biométricos capazes de coletar amostras através do mesmo sensor. Por exemplo em (Kumar et al., 2003), dados da geometria da mão e da impressão da mão são extraídos através de uma única imagem capturada por uma câmera de baixa resolução.
Inviabilidade Visando alcançar uma melhor performance, muitos sistemas biométricos utilizam sen-sores de alta precisão e empregam algoritmos sofisticados que podem aumentar o custo final do sistema. No entanto, performance similar poderia ser obtida através de um sistema multi-modal baseado em tecnologias mais baratas. Desta forma, o custo de um sistema biométrico multimodal ainda pode ser mais barato que um sistema unimodal embora seja necessária a implementação de vários métodos biométricos simultaneamente.
Baixa segurança Algumas características biométricas podem ser facilmente falsificadas ou imitadas. Por exemplo, em um sistema de reconhecimento vocal, a voz de um usuário pode ser gravada em um gravador e reproduzida no momento do reconhecimento. Já outras características como retina e íris são muito difíceis de falsificar. Intuitivamente, pode-se dizer que a utilização de mais de uma característica biométrica aumenta a segurança do sistema, no entanto, o que acon-tece quando uma destas características é fraudada com sucesso? Esta questão será analisada no capítulo 5 através de testes que simulam a fraude de um dos sistemas biométricos que compõem o sistema multimodal.
Para que um sistema multimodal seja realmente eficaz em minimizar os problemas encontrados nos sistemas unimodais, algumas questões devem ser analisadas (Maltoni et al., 2003): i) Quais são as principais necessidades da aplicação (segurança, confiabilidade, velocidade, etc)? ii) Quantas e quais características biométricas serão combinadas? iii) Como será feita a integração destas características? Todas estas questões estão inter-relacionadas, sendo que neste trabalho focaremos a questão de como fazer a integração de várias características biométricas de forma eficiente.
2.2
Estratégias de Integração
A integração de dois ou mais sistemas biométricos pode ser feita de várias formas diferentes, que são geralmente categorizadas de acordo com a sua arquitetura, nível de fusão e estratégia de fusão (Jain et al., 2000).
20 Biometria Multimodal
2.2.1
Arquitetura de Integração
Os sistemas unimodais que compõem um sistema multimodal podem ser agrupados de forma serial, paralela ou hierárquica.
Integração Serial
A figura 2.1 mostra, de forma genérica,m sistemas biométricos sendo agrupados em série, onde os sistemas são utilizados em seqüencia. Este tipo de arquitetura pode diminuir o custo computacional em sistemas de grande escala que operam no modo de identificação, já que os sistemas biométricos mais rápidos (e não tão precisos) podem ser utilizados nos primeiros estágios da integração, dimi-nuindo progressivamente o número de possíveis identidades que serão verificadas nos sistemas mais precisos e computacionalmente custosos.
Sistema biométrico 1 Sistema biométrico 2 Sistema biométrico m ... Resultado final
Fig. 2.1: Sistemas biométricos sendo integrados de forma serial.
A arquitetura de integração em série foi utilizada com sucesso em (Gutkowski, 2004) para fazer a identificação de um usuário; onde primeiramente um sistema de reconhecimento de face é utilizado para criar um ranking contendo as n identidades mais prováveis (n < N, onde N é o número de usuários cadastrados no banco de dados). Em seqüência, um sistema de verificação de voz é então aplicado para verificar se o usuário combina positivamente com alguma destasn identidades. Através da utilização deste esquema, conseguiu-se reduzir em 67% o tempo de identificação de uma pessoa em um banco de dados contendo 30 usuários (N = 30), sendo que o ganho de performance aumenta
conforme este número aumenta. A arquitetura em série também foi utilizada desta mesma forma em (Jain et al., 1998), onde um sistema multimodal que utiliza a impressão digital, face e voz foi analisado.
Integração Paralela
A figura 2.2 mostra a integração de m sistemas biométricos de forma paralela. Neste tipo de
arquitetura, cada sistema funciona de forma independente e os dados fornecidos por eles são combi-nados por um módulo de fusão. Esta arquitetura de integração é a mais utilizada atualmente e receberá o foco deste trabalho.
Sistema biométrico 1 Sistema biométrico 2 Sistema biométrico m . . . Módulo de fusão Resultado final
Fig. 2.2: Sistemas biométricos sendo integrados de forma paralela.
Integração Hierárquica
Na arquitetura hierárquica os sistemas unimodais são combinados de acordo com uma estrutura semelhante a uma árvore, conforme mostrado na figura 2.3. Este tipo de arquitetura ainda não foi testado em nenhum sistema biométrico multimodal.
Sistema biométrico 1 Sistema biométrico 2 ... Sistema biométrico r Sistema biométrico s Sistema biométrico t ... Sistema biométrico m Resultado final
Fig. 2.3: Sistemas biométricos sendo integrados de forma hierárquica.
2.2.2
Nível da fusão
Baseando-se na arquitetura geral de um sistema biométrico apresentada na seção 1.3, pode-se classificar a fusão de um sistema multimodal como sendo feita no nível do sensor, no nível de extração de características, no nível de comparação ou no nível de decisão.
Os primeiros níveis de fusão (sensor e extração de características) têm a vantagem de preser-varem uma grande quantidade de informação, o que não é observado nos níveis finais (comparação e decisão). Por exemplo, considerando a arquitetura de sistema biométrico apresentada na seção 1.3, o
22 Biometria Multimodal vetorvα contém muita mais informação sobre o usuário que está sendo reconhecido do que o índice de similaridades, que já foi comparado com o modelo e representa só o quanto o vetor vαé parecido
com o vetorvα. No entanto, a fusão nos primeiros níveis é muito mais difícil de ser feita do que nos
níveis finais. Os motivos serão apresentados a seguir.
Nível do Sensor
A fusão no nível do sensor é feita através da junção direta dos dados biométricos capturados pelos diferentes sensores do sistema multimodal. Este modo de fusão só é viável se estas amostras biométricas são processadas da mesma forma, ou seja, se a extração de características é realizada pelo mesmo processo, o que raramente acontece.
Chang et al. (2003) propuseram um sistema bimodal onde a imagem obtida da face e da orelha de uma pessoa são concatenadas, gerando assim uma única imagem combinada. A técnica de PCA (principal component analysis) foi empregada, gerando os eigenvectors, que são vetores que repre-sentam um sub-espaço contendo as características mais discriminantes de uma imagem. Quando duas imagens precisam ser comparadas, elas são projetadas neste sub-espaço e a distância euclidiana é cal-culada, gerando assim o índice de similaridade. Os testes conduzidos foram feitos somente para o modo de verificação de identidade, sendo que o sistema bimodal (que utilizou a informação da face e da orelha) apresentou menores taxas de erro quando comparado com os sistemas individuais. No en-tanto, os testes não foram repetidos utilizando-se outra técnica de fusão, impossibilitando uma análise comparativa da eficiência da fusão no nível do sensor em relação aos outros níveis.
Nível de Extração de Características
No caso da fusão feita no nível de extração de características, cada sistema biométrico unimodal gera um vetor de características que é concatenado em um único vetor de características, conforme mostrado na figura 2.4. Este vetor é então comparado com um vetor modelo que também é uma concatenação dos vetores modelo de cada sistema unimodal. Poucos trabalhos enfocam este tipo de fusão, pois muitas vezes os vetores características provenientes de sistemas distintos tem significados diferentes e devem ser tratados de maneiras diferentes (Ross and Govindarajan, 2005). Por exem-plo as minúcias de uma impressão digital e os coeficientes da eigenface tem significados totalmente diferentes e não podem ser simplesmente concatenados. Além disto, aumentar a dimensão do vetor de características pode trazer complicações para a etapa de comparação devido à "maldição da dimen-sionalidade"(quanto maior a dimensão do vetor de características, mais difícil é fazer o treinamento de um classificador capaz de classificar este vetor de forma eficiente).
nível de comparação em um sistema bimodal formado pela geometria da mão e impressão da mão. A fusão no nível de comparação apresentou resultados expressivamente melhores. No entanto, nenhuma normalização ou tratamento especial foi realizado na fusão no nível de extração de características, o que pode ter contribuído para o baixo desempenho apresentado por ela.
Ross and Govindarajan (2005) propuseram um algoritmo de fusão no nível de extração de ca-racterísticas onde dois vetores de caca-racterísticas são processados da seguinte maneira: i) Os vetores características são normalizados de acordo com a média e desvio padrão de cada elemento do vetor; ii) Estes vetores normalizados são então concatenados para criar um vetor geral; iii) O vetor geral é submetido a uma técnica de seleção de características (sequential forward floating selection) com o objetivo de minimizar as taxas de erros medidas através da curva ROC do sistema, gerando um vetor geral reduzido; iv) A comparação com um determinado vetor modelo é feita através da dis-tância euclidiana, gerando um índice de similaridade que é usado para determinar se o indivíduo é autêntico ou impostor. Para realização dos testes, a face e a geometria da mão foram utilizadas como características biométricas e o algoritmo proposto foi comparado com o método de fusão pela soma simples dos índices de similaridade (Ross and Jain, 2003), mas segundo os autores, os resultados obtidos não foram conclusivos, evidenciando a dificuldade em se fazer a fusão no nível de extração de características. Usuário Sensor biométrico 1 Extração característ. 1 Sensor biométrico 2 Extração característ. 2 Sensor biométrico n Extração característ. n . . . . . . Módulo de Fusão Comparação Banco de Dados Decisão Classe final Vetor Modelo
Fig. 2.4: Fusão biométrica no nível de extração de características.
Nível de Comparação
A fusão feita no nível de comparação utiliza o índice de similaridade fornecido pelo módulo de comparação de cada sistema unimodal conforme ilustrado na figura 2.5. Neste caso, o módulo de fusão pode ser representado através da seguinte função:
24 Biometria Multimodal
sF = F (s1, s2, ..., sn); (2.1)
ondesF é um escalar que representa o índice final de similaridade de um sistema multimodal formado
pela fusão den sistemas unimodais.
Uma grande vantagem deste tipo de fusão é que não há necessidade de se conhecer detalhes sobre o funcionamento dos sistemas que estão sendo integrados. Muitos fabricantes de sistemas biométricos desenvolvem seus produtos seguindo especificações padronizadas, como por exemplo a desenvolvida pelo BioAPI Consortium (BioAPI, 2006), facilitando desta forma, a integração de sistemas de diferentes fabricantes no nível de comparação. Devido à estas vantagens, a fusão no nível de comparação é a mais popular entre todas, sendo que na seção 2.3, serão apresentados várias pesquisas que utilizam a fusão no nível de comparação.
Usuário Banco de Dados Sensor biométrico 1 Extração característ. 1 Comparação 1 Módulo de Fusão Sensor biométrico 2 Extração característ. 2 Comparação 2 Sensor biométrico n Extração característ. n Comparação n . . . Vetores Modelo 1... n . . . . . . Decisão Classe final
Fig. 2.5: Fusão biométrica no nível de comparação.
Nível de Decisão
A fusão no nível de decisão utiliza a classe atribuída por cada sistema unimodal para determinar a classe final, conforme mostrado na figura 2.6. A fusão no nível de decisão torna ainda mais fácil a integração de sistemas biométricos desenvolvidos por diferentes fabricantes e que funcionam de formas diferentes, pois a interação entre os dois sistemas é muito pequena. No entanto, a quantidade de informação fornecida por cada sistema unimodal é muito restrita.
Dieckmann et al. (1997) utilizaram um esquema de voto majoritário (2-out-of-3) na integração de um sistema multimodal que combina a face (frontal e perfil) e a voz. Esta mesma técnica foi
Usuário Banco de Dados Sensor biométrico 1 Extração característ. 1 Comparação 1 Módulo de Fusão Sensor biométrico 2 Extração característ. 2 Comparação 2 Sensor biométrico n Extração característ. n Comparação n . . . Vetores Modelo 1... n . . . . . . Decisão 1 Decisão 2 Decisão n Classe 1 Classe 2 Classe n Classe final
Fig. 2.6: Fusão biométrica no nível de decisão.
extendida em (Frischholz and Dieckmann, 2000) com a introdução da dinâmica labial. No entanto, em (Kittler et al., 1998), testes experimentais em um sistema multimodal que também combina a face (frontal e perfil) e a voz revelaram que a técnica de voto majoritário tem um desempenho pior quando comparado com técnicas de fusão no nível de comparação.
2.2.3
Estratégia de Fusão
Em um sistema biométrico multimodal, o módulo de fusão é responsável pela combinação dos dados provenientes dos diferentes sistemas biométricos unimodais. A forma como este módulo de fusão é implementado é a parte mais importante no desenvolvimento de um sistema multimodal e deve ser feita visando não somente a diminuição das taxas de erros, mas também, a criação de um sistema multimodal que tenha capacidade de adaptação e seja capaz de solucionar ou minimizar os problemas dos sistemas unimodais, conforme apresentado na seção 2.1.
Várias estratégias de fusão têm sido propostas em publicações recentes, sendo que uma revisão detalhada destes trabalhos será apresentada na seção a seguir.
2.3
Estado da Arte das Estratégias de Fusão
A maioria dos trabalhos publicados sobre sistemas biométricos multimodais utiliza uma arquite-tura de integração em paralelo e realiza a fusão no nível de comparação. Portanto, para evitar repetições, só serão citados detalhes sobre a arquitetura e nível de fusão dos sistemas multimodais
26 Biometria Multimodal apresentados nesta seção quando eles não utilizarem a arquitetura em paralelo e fusão no nível de comparação.
A integração de dois ou mais sistemas biométricos unimodais pode ser vista como a utilização de diferentes classificadores empregados para resolução da mesma tarefa. Desta forma, muitos tra-balhos empregam técnicas de fusão de classificadores para realizar a fusão de sistemas biométricos. Um exemplo disto pode ser observado em (Kittler et al., 1998), onde um sistema multimodal que combina a voz e a face (perfil e frontal) foi testado utilizando-se vários métodos clássicos de fusão de classificadores como soma, produto, valor máximo, valor mínimo, média e voto majoritário, sendo que este último método foi empregado na fusão no nível de decisão. Os resultados experimentais mostraram que a regra da soma supera os outros métodos. Este resultado foi explicado através de uma análise bayesiana dos métodos de fusão, onde se chegou a conclusão de que a soma apresenta melhores resultados pois é mais robusta contra ruídos e erros dos dados de entrada.
A soma ponderada dos índices de similaridade foi o melhor método de fusão em (Ross and Jain, 2003), onde a face, geometria da mão e impressão digital foram combinadas duas a duas e todas juntas. Além da soma ponderada, um classificador linear e um esquema de decisão em árvore foram utilizados como métodos de fusão. Um resultado interessante, mas já esperado, é que o melhor desempenho foi obtido quando as três características biométricas foram usadas juntas, fortalecendo a idéia de que quanto mais informação disponível sobre o indivíduo, melhor a performance do sistema de reconhecimento.
Outra abordagem muito utilizada na fusão de sistemas biométricos é a utilização de técnicas de classificação de padrões, onde os dados de entrada são os índices de similaridade dos vários sistemas unimodais. Teoricamente, qualquer classificador pode ser utilizado, desde que existam amostras de treinamento suficientes para realizar o treinamento deste classificador, o que nem sempre é viável na prática.
Em (Toh and Yau, 2004) um sistema multimodal que utiliza a impressão digital e a voz foi in-tegrado através do uso de classificadores (rede neural, SVM, parzen window) e também através de métodos de fusão de classificadores (soma ponderada, produto, optimal weighting method, combi-nação de funções hiperbólicas). Os resultados dos testes experimentais apresentaram desempenho praticamente idêntico para a rede neural, combinação de funções hiperbólicas e soma ponderada. Apesar da soma ponderada ser o método mais simples de todos e ter apresentado um dos melhores resultados, os autores alertaram para o fato de que os pesos desta soma ponderada foram obtidos de forma empírica através de tentativa e erro, o que é um processo dispendioso, sendo que os outros métodos foram treinados por métodos automáticos.
Verlinde et al. (2000) também testaram vários classificadores (classificador linear, k-vizinhos próximos, rede neural, etc) na fusão de um sistema multimodal que utilizou a voz e a imagem de
perfil e frontal da face. O melhor resultado obtido foi através da utilização de uma rede neural multi-camada.
Em todos os métodos de fusão biométrica apresentados até agora houve redução das taxas de erro quando comparados com os sistemas unimodais que formam o sistema multimodal. Pode-se dizer que alguns métodos como a soma ponderada e redes neurais apresentaram os melhores resultados, no entanto, estes métodos tratam a fusão de forma muito restrita e não aproveitam todas as vantagens que um sistema multimodal pode oferecer. Portanto, visando aumentar a capacidade de adaptação da fusão e, conseqüentemente, a performance dos sistemas multimodais, algumas metodologias de fusão específicas para sistemas multimodais têm sido propostas recentemente.
Em (Veeramachaneni et al., 2005) um novo método de fusão biométrica no nível de decisão foi apresentado. A principal idéia do referido método é otimizar os parâmetros do sistema multimodal baseando-se em uma única variável que pode ser alterada de acordo com as necessidades da aplicação. Em outras palavras, o módulo de fusão se auto-ajusta de acordo com a aplicação. Os parâmetros que são otimizados são o limiar de decisão utilizado em cada sistema unimodal e a regra usada na fusão destes sistemas. A otimização é feita pela técnica de (particle swarn optimization) e visa minimizar as taxas de erro baseando-se nas distribuições de probabilidade de impostores e genuínos dos sistemas unimodais, o que pode causar problemas devido a erros na estimação destas distribuições. Além disto, os testes foram conduzidos utilizando-se somente dados sintéticos e nenhuma comparação com outro método de fusão foi feita, o que impede uma análise mais ampla.
Muitas das novas propostas de fusão biométrica fazem uso não somente das características biométri-cas de um indivíduo, mas também de "informações complementares"que interferem na forma como os dados biométricos são fundidos.
Jain and Ross (2002) propuseram um método de fusão utilizando a soma ponderada onde os pesos de cada sistema unimodal mudam para cada usuário de acordo com o seu nível pessoal de diferenciabilidade da característica biométrica. Este tipo de fusão é chamado de estratégia depen-dente de usuário e foi analisado mais a fundo em (Toh et al., 2004), onde além dos pesos individuais, foi testado um esquema que utiliza limiares de decisão diferentes para cada usuário. Os testes expe-rimentais usaram a impressão digital, voz e geometria da mão e mostraram que a utilização de pesos individuais supera a utilização de limiares individuais. Uma grande desvantagem das estratégias de fusão dependentes de usuário é que para aprender os parâmetros específicos de cada usuário, são necessárias várias amostras de treinamento do mesmo indivíduo, o que em uma aplicação prática é muito difícil de se obter sem causar transtorno para os usuários. Ainda em (Toh et al., 2004), um algoritmo de treinamento baseado em funções polinomiais com parâmetros reduzidos foi utilizado para permitir um melhor desempenho mesmo com poucas amostras de treinamento.
