Comparison Between Isotropic and Adaptive Pore Detection Methods for Fingerprint Recognition

(1)

Comparison Between Isotropic and Adaptive Pore

Detection Methods for Fingerprint Recognition

Murilo V. da Silva

IFSP Birigui, SP, Brazil murilo.varges@ifsp.edu.br

Jo˜ao P. L. Luiz and A. N. Marana

Faculty of Sciences - UNESP

Bauru, SP, Brazil {joao.luigi, nilceu}@fc.unesp.br

Alessandra A. Paulino

UERJ

Nova Friburgo, RJ, Brazil alessandra.paulino@gmail.com

Marcus A. Angeloni

CPqD Telecom Campinas, SP, Brazil massis@cpqd.com.br

Abstract—Current automated fingerprint identification sys-tems are based on first and second feature levels, such as ridge patterns and minutia points, respectively. However, the development of high resolution fingerprint sensors over the last years and the growing demand for more secure identification systems are leading to the use of additional discriminative fingerprint characteristics known as third level features, such as sweat pores. This paper presents the results of a comparison between two state-of-the art pore detection methods, isotropic and adaptive, on two fingerprint databases, PolyU HRF and Unesp FDB. Experimental results show that the adaptive method presents better detection rates than the isotropic method for both databases.

I. INTRODUC¸ ˜AO

Atualmente, existem inúmeras situações que requerem a identificação automática, precisa, rápida e segura de pes-soas [1]. As formas tradicionais de identificação automática de pessoas são baseadas em posse e/ou conhecimento. Entretanto, essas formas de identificação apresentam muitas fragilidades, dando margem a uma enorme gama de fraudes. Para tornar esse processo mais seguro, tem sido proposto o uso de Biometria para a identificação humana, tanto em aplicações forenses, quanto em aplicações governamentais e comerciais. A Biometria é definida como sendo o uso de caracter´ısticas biológicas (f´ısicas ou fisiológicas) ou comportamentais do indiv´ıduo para determinar sua identidade [2]. Dentre essas caracter´ısticas, as mais populares são face, iris, voz e a impressão digital, sendo esta última a mais antiga e a mais utilizada. A escolha pelo uso das impressões digitais deve-se, em geral, ao fato desta caracter´ıstica estar presente na maioria da população, ser única entre diferentes indiv´ıduos, até mesmo entre gêmeos univitelinos e, ainda, ser regenerável mesmo após mudanças temporárias, causadas por cortes e cicatrizes. Além disso, a identificação de pessoas pelas impressões digi-tais é aceita pelas cortes de justiça e também pela população em geral [3].

Segundo Jain, Chen e Demirkus [1], as impressões digi-tais de um indiv´ıduo podem ser reconhecidas por meio de caracter´ısticas de três n´ıveis. Os macros-detalhes da impressão digital formados pelas cristas papilares são as caracter´ısticas de primeiro n´ıvel. As minúcias, encontradas nas cristas das impressões digitais, como as bifurcações e as terminações, são exemplos de caracter´ısticas de segundo n´ıvel. Por fim, os atributos variáveis das cristas, como, por exemplo, a largura,

a forma, o contorno, assim como os poros sudor´ıparos, as cicatrizes, as dobras e outros detalhes, são exemplos de caracter´ısticas de terceiro n´ıvel [1], [3]. Na Figura 1 são apresentados exemplos de caracter´ısticas dos três n´ıveis.

As caracter´ısticas de primeiro n´ıvel não contêm informação suficiente para identificar uma pessoa, contudo são úteis para limitar o espaço de busca em um banco de dados durante a recuperação de informações. As caracter´ısticas de segundo n´ıvel possuem, por outro lado, atributos suficientes para determinar a singularidade da impressão digital [4]. As caracter´ısticas de terceiro n´ıvel, que há muito tempo são utilizadas nos exames forenses realizados manualmente por especialistas, garantem melhor desempenho na obtenção de informação discriminatória para a identificação humana, pois o reconhecimento baseado apenas nas minúcias pode ser insuficiente, principalmente em fragmentos de impressões digitais [5].

Os sistemas AFIS (Automated Fingerprint Identification System) tradicionais utilizam somente as caracter´ısticas de primeiro e segundo n´ıveis. Com a melhoria das técnicas de processamento de imagem, a diminuição dos preços dos sensores de captura das impressões digitais de alta resolução e a procura por sistemas biométricos mais seguros, os pesquisadores estão investindo no uso de caracter´ısticas de terceiro n´ıvel. Dentre as várias caracter´ısticas de terceiro n´ıvel, os poros sudor´ıparos são os mais explorados [6].

O objetivo deste trabalho é comparar métodos de detecção de poros em imagens de impressões digitais de alta resolução (pelo menos 1000 dpi) para determinar quais seriam os mais adequados para serem adotados em sistemas AFIS baseados em poros. Revisando a literatura, foram encontrados dois métodos principais, sendo o primeiro baseado em filtros isotrópicos e o segundo baseado em uma estratégia adaptativa. Esses métodos, considerados estado-da-arte, foram compara-dos utilizando-se duas bases de dacompara-dos de impressões digitais: PolyU HRF (contendo imagens com resolução de 1200 dpi) e Unesp FDB (contendo imagens de 1000 dpi).

II. M ÉTODOS DEDETECÇ ÃO DEPOROS

Stosz e Alyea [7] foram os primeiros pesquisadores a inves-tigar o uso de caracter´ısticas de terceiro n´ıvel das impressões digitais para o reconhecimento biométrico em sistemas au-tomáticos. Alguns anos depois, Roddy e Stosz [8], utilizando

(2)

Fig. 1. Exemplos de caracter´ısticas de primeiro, segundo e terceiro n´ıveis das impress˜oes digitais [1].

o algoritmo proposto por Stosz e Alyea [7], apresentaram, por meio de uma análise estat´ıstica, um modelo que define os parâmetros necessários para estimar o desempenho de um sistema automático de impressões digitais baseado em poros. Além das tradicionais minúcias, eles discutiram as estat´ısticas e a eficácia do uso de poros para melhorar o desempenho do sistema, e, como contribuição principal, demonstraram matematicamente a unicidade dos poros [1].

Jain, Chen e Demirkus [1], utilizando também as carac-ter´ısticas dos três n´ıveis de uma impressão digital, propuseram o uso do contorno das cristas e dos poros para auxiliar na identificação de pessoas e propuseram um modelo isotrópico para representar os poros.

Sabendo que as impressões digitais podem ter cristas com frequências distintas e poros de larguras e tamanhos variáveis, Zhao et al. [9] encontraram limitações no método proposto por Jain, Chen e Demirkus [1] e propuseram um modelo adaptativo para extração de poros.

Segundo Angeloni e Marana [6], [10], os métodos de extração de poros encontrados na literatura podem ser divididos, em geral, em três categorias: baseados em esqueletonização, baseados em filtros isotrópicos e baseados em filtros adaptativos.

Jain, Chen e Demirkus [1] enumeraram algumas limitações dos métodos baseados em esqueletonização para a extração de poros e uso dos mesmos no reconhecimento de impressões digitais, e conclu´ıram que a esqueletonização é eficiente para extração de poros apenas em imagens de boa qualidade. Tendo em vista esta restrição, neste trabalho são considerados apenas os métodos baseados em filtros isotrópicos, como o proposto por Jain, Chen e Demirkus [1], [11], e o método baseado em filtros adaptativos, como o proposto por Zhao et al. [12], que são apresentados nas subseções II-A e II-B, respectivamente. A. Método Baseado em Filtros Isotrópicos

Jain, Chen e Demirkus [1], [11] propuseram o uso dos poros e do contorno das cristas para auxiliar no reconhecimento

biométrico e, para extra´ı-los, utilizaram a transformada wavelet chapéu mexicano e uma suavização utilizando filtros de Gabor, conforme indicado no diagrama da Figura 2.

Combinação linear Filtros de Gabor Transformada wavelet Imagem de entrada processamento Pós-‐

Fig. 2. Diagrama do m´etodo proposto por Jain, Chen e Demirkus [11].

Como os poros são dispostos ao longo das cristas papilares, é necessária a separação das cristas e dos vales na imagem de impressão digital, para que nenhum ponto localizado nas regiões de vale seja classificado equivocadamente como sendo um poro. Para tanto, Jain, Chen e Demirkus [1], [11] usaram filtros de Gabor, seguindo a abordagem proposta em [13], definidos como: G(x, y : θ, f ) = exp −1 2 x2 θ δ2 x +y 2 θ δ2 y cos(2πf xθ) , (1) onde θ e f são a orientação e frequência do filtro, respectiva-mente, δx e δy são os desvios padrão da gaussiana ao longo

dos eixos x e y, respectivamente. Aqui, (xθ, yθ) representa a

posição de um ponto (x, y) após ele ter sofrido uma rotação por um ângulo (90◦ - θ). Os quatro parâmetros do filtro de Gabor (θ, f, δx, δy) são empiricamente determinados baseados

na frequência da crista e na orientação da imagem [13]. O resultado da aplicação dos filtros de Gabor é mostrado na Figura 3b, onde é facilmente observada a separação obtida entre as cristas e os vales.

Adicionando-se a imagem de sa´ıda da aplicação dos filtros de Gabor com a imagem de impressão digital de entrada, é poss´ıvel observar que os poros ficam retidos nas cristas, porém com um baixo contraste em relação aos pixels das cristas (Figura 3c). A transformada wavelet chapéu mexicano é, então, aplicada na imagem de entrada com a finalidade de capturar as alterações abruptas de intensidade, decorrentes das repentinas alterações de branco para preto [11]. A transformada wavelet é aplicada na imagem de entrada f (x, y) ∈ R2, conforme a Equação 2: w(s, a, b) = √1 s Z R2 f (x, y)φ x − a s , y − b s dxdy, (2) onde s é o fator de escala e (a, b) é o parâmetro de desloca-mento.

No próximo passo do método, a resposta do filtro é normali-zada usando a normalização min-max e as regiões de poros são representadas por pequenas bolhas com baixa intensidade [1], conforme mostra a Figura 3d.

(3)

Ao adicionar as respostas do filtro de Gabor e da wavelet, é obtido o reforço ótimo dos poros (Figura 3e).

Finalmente, em uma etapa de p´os-processamento, um limiar determinado empiricamente ´e aplicado para extrair os poros cujos tamanhos das bolhas sejam menores do que 40 pixels (Figura 3f).

Todos os passos do método proposto por Jain, Chen e Demirkus [1], [11] para a extração dos poros estão ilustrados na Figura 3.

(a) (b) (c)

(d) (e) (f)

Fig. 3. Extrac¸˜ao dos poros proposta por [11], [1]. (a) Uma imagem de

impressão digital parcial de 1000 dpi. (b) Realce das cristas na imagem mostrada em (a) usando filtros de Gabor. (c) Uma combinação linear de (a) e (b). (d) Resposta wavelet (s = 1.32) da imagem em (a). (e) Uma combinação linear de (d) e (b). (f) Poros extra´ıdos (c´ırculos coloridos) depois de aplicar o limiar na imagem em (e) [1].

B. M´etodos Baseados em Filtros Adaptativos

Zhao et al. [14] mostraram as limitações dos métodos propostos em [1], [11], [15], [16], pois todos eles consideram que os poros podem ser representados por modelos isotrópicos, conforme mostra a Figura 4. Esses métodos não conseguem se adaptar às diferentes regiões de uma impressão digital. Na prática, impressões digitais de dedos diferentes, ou diferentes regiões do mesmo dedo, podem ter cristas/vales e poros de larguras e tamanhos muito diferentes [9].

(a) (b) (c)

Fig. 4. Modelagens de poros por filtros isotr´opicos. (a) Modelo de Ray,

Meenen and Adhami [15], (b) modelo de Jain, Chen e Demirkus [1], [11], e (c) modelo de Parsons et al. [16].

Zhao et al. [9] propuseram, então, um modelo de extração de poros que se adapta de acordo com a direção e per´ıodo da crista local. Eles marcaram manualmente centenas de poros em várias imagens de impressões digitais, incluindo poros abertos e fechados. Baseados na aparência destes poros reais,

eles resumiram a representação dos poros para três estruturas, mostradas na Figura 5. Dentre as estruturas, as duas últimas (5(b-c)) correspondem a poros abertos e não são isotrópicas.

(a) (b) (c)

Fig. 5. Representações dos tipos de aparências dos poros. (a) Poro fechado, e (b) e (c) Poros abertos [9].

Analisando a aparência dos poros com mais detalhes, Zhao et al. [9] verificaram que ao longo da direção da crista, os três tipos de poros aparecem com perfil quase gaussiano. Baseados nesta premissa, eles propuseram o modelo de poro descrito pelas Equações 3 e 4, que é mais preciso que os modelos baseados em filtros isotrópicos.

AP M0(i, j) = e−

j2

2σ2cos(π

3σi) (3)

AP Mθ(i, j) = Rot(AP M0, θ), (4)

onde Rot(AP M0,θ) significa a rotac¸˜ao de AP M0por θ graus.

O tamanho do modelo do poro foi definido como 6σ + 1 (pixels), onde σ é usado para controlar a escala do poro e é determinado pelo per´ıodo da crista local. θ é usado para controlar a direção do modelo do poro e pode ser estimado pela orientação local da crista. Uma vez que ambos os parâmetros são determinados adaptativamente, a modelagem recebeu o nome de Modelo de Poro Adaptativo, do inglês APM.

Embora os resultados obtidos com a extração de poros utilizando o APM tenham sido promissores e superiores aos obtidos pelos métodos baseados em filtros isotrópicos, Zhao et al. [17] ponderam acerca da dependência que a comparação de poros adotada tem em relação as minúcias. Segundo eles, esta dependência acaba limitando a acurácia que pode ser obtida combinando estas caracter´ısticas de segundo n´ıvel com os poros, por não serem independentes. Então, a fim de desvincular os processos de comparação de minúcias e poros, e tornar a fusão mais efetiva, Zhao et al. [17] propuseram uma abordagem de comparação direta dos poros das impressões digitais.

Posteriormente, Zhao et al. [14] estenderam o trabalho proposto por eles em [9] e o denominaram Modelo de Poro Anisotrópico Dinâmico, do inglês DAPM. As Equações 3 e 4 foram reescritas da seguinte forma:

P0(i, j) = e(−j 2_/2σ2₎ cos _3σπi −3σ ≤ i, j ≤ 3σ (5)     

Pθ(i, j) = Rot(P0(i, j), θ) = e(−ˆj

2_/2σ2₎

cos_3σπˆi ˆi = icos(θ) − jsen(θ), ˆj = isen(θ) + jcos(θ) −3σ ≤ i, j ≤ 3σ

(6)

A equação 5 é o modelo de referência (ou seja, o modelo zero grau), e a equação 6 é o modelo rotacionado. Neles, σ é

(4)

o parâmetro de escala que é usado para controlar o tamanho do poro, determinado pela frequência local da crista. θ é o parâmetro de orientação, o qual é utilizado para controlar a direção do modelo do poro, e é estimado pela orientação local da crista. A Figura 6 mostra alguns exemplos de instâncias do DAPM.

(a) (b) (c)

Fig. 6. Exemplos de DAPM [14]. (a) θ = 0, (b) θ = 45, e (c) θ = 90.

Para estimar o campo de orientação da crista na impressão digital, Zhao et al. [14] basearam-se no trabalho de Bazen e Gerez [18], onde primeiro é realizada uma suavização da imagem usando um núcleo de suavização e então são calculados os gradientes nas direções x e y, usando alguns operadores derivativos (operador de Sobel) [14]. Sendo Gx(i,

j) e Gy(i, j) os gradientes no pixel (i, j), e os gradientes

quadrados Gxx(i, j) = Gx(i, j) × Gx(i, j), Gxy(i, j) = Gx(i,

j) × Gy(i, j), e Gyy(i, j) = Gy(i, j) × Gy(i, j). Os gradientes

quadrados são então suavizados usando um núcleo Gaussiano, resultando em Gxx, Gxy, e Gyy. A orientação da crista em (i,

j) ´e estimada por:

O(i, j) = π 2 + 1 2· arctan Gxx(i, j) − Gyy(i, j) 2 · Gxy(i, j) , (7) e pertence ao intervalo [0, π] [18].

Já o parâmetro de escala é estimado do fato dos poros estarem sempre localizados nas cristas. Dessa forma, as escalas dos poros devem estar restritas pelas larguras das cristas onde estão localizados. Então, Zhao et al. [14] associaram a escala máxima de um poro com o per´ıodo das cristas na região da impressão digital onde ele está localizado por uma razão σ = τ /k, onde τ é o per´ıodo da crista local (ou o inverso da frequência da crista local), e k é uma constante positiva, empiricamente definida com k = 12 em [14]. A frequência local da crista é estimada em uma janela usando o método de [13].

Os parâmetros podem ser estimados para cada pixel da imagem, no entanto, esta operação é bastante cara, e em algu-mas regiões da imagem é dif´ıcil obter uma estimativa precisa. Então, Zhao et al. [14] propuseram uma abordagem baseada em blocos. Um diagrama resumindo os passos principais desta abordagem é apresentado na Figura 7.

Os blocos da imagem de impressão digital são classificados em três tipos: blocos bem definidos, blocos mal colocados e blocos de fundo. Os blocos de fundo são descartados. Nos blo-cos bem definidos é poss´ıvel estimar diretamente a orientação e frequência dominante da crista. Nos blocos mal colocados, embora não apresentem uma orientação dominante, é poss´ıvel estimar sua frequência através da interpolação das frequências

Detecção de poros

Extração do mapa de cristas

Pós-‐ processamento Imagem de entrada Par8ção e classiﬁcação dos blocos da imagem

Es8mação da orientação e frequência das

cristas

Fig. 7. Diagrama do m´etodo proposto por Zhao et al. [14].

de blocos vizinhos. Esta classificação é feita baseada em limiares previamente definidos, correspondentes ao n´ıvel de certeza da orientação obtida para o bloco e a intensidade de contraste do bloco. Caso os dois valores estejam acima dos limiares, o bloco é classificado como “bem definido” e o bloco não é mais particionado. Caso contrário, se o tamanho do bloco estiver acima de um valor m´ınimo, ele é novamente particionado e os novos blocos gerados classificados. Quando o bloco atinge o tamanho m´ınimo, ele é classificado como “mal colocado” caso o n´ıvel de certeza da orientação estiver abaixo do limiar e a intensidade de contraste do bloco acima de seu limiar, caso contrário o bloco é classificado como fundo. A divisão em blocos está exemplificada na Figura 8.

(a) (b)

Fig. 8. Particionamento da impressão digital da abordagem de extração de poros adaptativa. (a) Uma imagem de impressão digital (o c´ırculo vermelho indica a região em que não é poss´ıvel estimar os parâmetros com precisão). (b) O resultado da partição [14].

Para os blocos bem definidos, é aplicado o DAPM para extração dos poros, visto que para eles é poss´ıvel calcular os parâmetros do modelo diretamente (orientação e frequência das cristas). Nos blocos mal posicionados é utilizado um mod-elo de poros baseado em Diferenças de Gaussianas adaptativas, do inglês DOG, proposto em [19], utilizando a frequência do bloco (obtida por interpolação dos blocos vizinhos). Um limiar é então aplicado para filtrar a sa´ıda do método e segmentar os poros candidatos da imagem, sendo essa a entrada do passo de pós-processamento.

III. BASES DE DADOS

Para comparar os desempenhos dos métodos isotrópico e adaptativo de extração de poros, foram utilizadas duas bases de dados com imagens de fragmentos de impressões

(5)

digitais: PolyU HRF [20], criada pela Hong Kong Polytechnic University, e a UNESP FDB, criada pelo grupo de pesquisa RECOGNA, da UNESP, campus de Bauru.

A. PolyU HRF

A base de dados PolyU HRF (High Resolution Fingerprint Database) da Hong Kong Polytechnic University é composta por imagens com resolução de 1200 dpi [20]. As imagens foram capturadas por um dispositivo de captura de impressões digitais de alta resolução criado pelos pesquisadores do Centro de Pesquisas Biométricas da PolyU. O dispositivo possui resolução adequada para extração de caracter´ısticas de terceiro n´ıvel e pode capturar imagens de diferentes tamanhos [20].

A partir dessa base, duas outras bases foram criadas uti-lizando este dispositivo, coletando-se imagens de impressões digitais de voluntários, sendo a maioria deles estudantes e funcionários da Hong Kong Polytechnic University, de idades entre 20 e 50 anos. No decorrer do processo, foi solicitado aos participantes que colocassem de maneira natural os dedos na superf´ıcie de captura do sensor (para não gerar deformações exageradas nas impressões digitais). Estas bases de dados foram chamadas de DBI e DBII [12].

A base de dados PolyU HRF está disponibilizada em www4.comp.polyu.edu.hk/. Ela possui também um subcon-junto de 30 imagens, selecionadas do consubcon-junto de teste da DBI, para as quais foram anotadas as coordenadas centrais de cada um dos poros extra´ıdos manualmente. O objetivo deste conjunto, denominado conjunto verdade, é avaliar a acurácia dos algoritmos de extração de poros. Por causa disso, a base DBI foi a escolhida para o desenvolvimento dos experimentos deste trabalho.

B. UNESP FDB

A base de dados UNESP FDB (UNESP Fingerprint Database), criada pelo grupo de pesquisa Recogna, é composta por imagens com resolução de 1000 e 500 dpi. As imagens foram capturadas por um dispositivo de captura de impressões digitais de alta resolução. O dispositivo de captura possui hard-ware e softhard-ware adequados para a extração de caracter´ısticas do terceiro n´ıvel.

No decorrer do processo de criação da base de dados, foram coletadas imagens de impressões digitais de voluntários, sendo a maioria deles estudantes e funcionários da Universidade Es-tadual Paulista, campus de Bauru (UNESP), com idades entre 20 e 50 anos. Primeiramente, foi solicitado aos participantes que colocassem os dedos de maneira natural na superf´ıcie de captura do sensor. Posteriormente, os participantes foram instru´ıdos a pressionarem com força o dedo no momento da captura a fim de gerar deformações nas imagens. Este processo foi repetido duas vezes, uma para capturar imagens de resolução 1000 dpi e outra para imagens de 500 dpi.

Após o processo de captura de imagens, foram selecionadas 80 imagens para realizar a execução dos métodos de extração de poros. Foram 40 imagens de impressão digital com resolução de 1000 dpi e 40 imagens de impressão digital das mesmas pessoas, porém com resolução de 500 dpi. O conjunto

verdade dessas 80 imagens foi obtido por meio das anotac¸˜oes manuais do poros realizadas por duas pessoas.

IV. RESULTADOSEXPERIMENTAIS

Neste trabalho, para o método de detecção de poros baseado em filtros isotrópicos foi utilizado um SDK de dom´ınio público chamado Level 3 Fingerprint Image Toolkit (L3TK), desenvolvido em JAVA pelo International Biometric Group (IBG) [21]. Esta toolkit é composta por uma série de filtros, algoritmos de segmentação e casamento de poros inspirados no trabalho de Jain et al. [11]. Relatórios técnicos do estudo do L3TK podem ser acessados publicamente em [22].

Para o método de detecção de poros baseado em filtros adaptativos (Dynamic Anisotropic Pore Model- DAPM) [14] foi utilizada a implementação em MATLAB disponibilizada pelos autores.

Durante os experimentos realizados sobre as duas bases de dados descritas em III, três métricas foram utilizadas para avaliar a performance da detecção de poros de cada método: RT - True Detection Rate (taxa de detecção correta), definida

como a razão entre o número de poros corretamente detectados pelo número total de poros presentes na imagem; RF - False

Detection Rate(taxa de detecção falsa), definida como a razão entre o número de poros incorretamente detectados pelo total de poros detectados pelo método; e a Acurácia de Detecção Global, do inglês ODA - Overall Detection Accuracy [12], definida como:

ODA =pRT.(1 − RF), (8)

Os resultados experimentais obtidos estão apresentados na Tabela I. Esses resultados mostram a superioridade do método adaptativo sobre o método isotrópico nas duas bases de dados. Mostram também que o aumento do tamanho da caixa delimi-tadora, utilizada para casamento dos poros detectados de forma automática com os poros marcados manualmente que fazem parte dos conjuntos verdade, acarreta concomitantemente o aumento da taxa RT e a diminuição da taxa RF, melhorando,

desta forma, a taxa ODA.

TABLE I

RESULTADOS DA COMPARAC¸ ˜AO DOS METODOS ISOTR´ OPICO E´

ADAPTATIVO SOBRE AS BASES DE DADOSPOLYU HRFEUNESP FDB,

PARA TRˆES TAMANHOS DE CAIXAS(6, 8E10PIXELS).

Base de Dados UNESP Poly HRF

M´etodo Adapt. Isotr. Adapt. Isotr.

Caixa delimitadora 6 pixels

RT (%) 66.51 55.68 65.73 33.72

RF (%) 39.17 58.45 11.93 2.91

ODA (%) 62.36 46.92 76.08 57.22

RT (%) 67.74 57.32 67.17 33.96

RF (%) 38.28 57.23 10.04 2.25

ODA (%) 63.38 48.30 77.73 57.62

RT (%) 68.10 59.74 68.91 34.22

RF (%) 38.00 55.52 7.74 1.54

(6)

As Figuras 9 e 10 apresentam resultados da detecção de poros utilizando-se os dois métodos, Isotrópico e Adaptativo, em imagens de impressão digital das bases de dados UNESP FDB e PolyU HRF, respectivamente.

(a) (b)

Fig. 9. Resultado da detecção de poros por meio dos dois métodos avaliados em uma imagem de 1000 dpi da base de dados UNESP FDB. (a) Método adaptativo; (b) Método isotrópico. Os poros detectados estão em destaque na cor vermelha e as caixas delimitadoras do conjunto verdade anotadas na cor verde.

(a) (b)

Fig. 10. Resultado da detecção de poros por meio dos dois métodos avaliados em uma imagem de 1200 dpi da base de dados PolyU HRF. (a) Método adaptativo; (b) Método isotrópico. Os poros detectados estão em destaque na cor vermelha e as caixas delimitadoras do conjunto verdade anotadas na cor verde.

V. CONCLUSAO˜

Este artigo apresenta os resultados da comparação entre dois métodos propostos na literatura, sendo um deles baseado em filtros isotrópicos e o outro baseado em filtros adaptativos, para a detecção de poros em imagens de impressões digitais. Tais resultados mostram que o método baseado em filtros adaptativos apresentou melhor acurácia de detecção global dos poros nas bases de dados utilizadas.

´

E importante ressaltar que o uso dos poros sudor´ıparos, além de ser útil para o reconhecimento de impressões digitais, pode ser útil também para a detecção de fraudes do tipo spoofing em sistemas biométricos baseados em impressões digitais, como conclu´ıram recentemente Silva, Marana e Paulino [23], da´ı a importância cada vez maior de se utilizar métodos eficientes para detecção de poros.

REFERENCES

[1] A. Jain, Y. Chen, and M. Demirkus, “Pores and ridges: High-resolution fingerprint matching using level 3 features,” Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 29, no. 1, pp. 15–27, 2007.

[2] A. Jain, A. Ross, and K. Nandakumar, Introduction to Biometrics, ser.

SpringerLink : B¨ucher. Springer, 2011.

[3] D. Maltoni, D. Maio, A. K. Jain, and S. Prabhakar, Handbook of

Fingerprint Recognition. Springer, 2009.

[4] M. Chaberski, “Level 3 Friction Ridge Research,” Biometric Technology Today, vol. 16, no. 11-12, pp. 9–12, 2008.

[5] D. R. Ashbaugh, “Quantitative-qualitative friction ridge analysis: An introduction to basic and advanced ridgeology,” CRC Press, 1999. [6] M. de A. Angeloni, Reconhecimento de Fragmentos de Impress˜oes

Digitais Baseado em Cristas e Poros. Dissertac¸˜ao de Mestrado

-PPGCC-UNESP, 2013.

[7] J. D. Stosz and L. A. Alyea, “Automated System for Fingerprint Authentication Using Pores and Ridges Structure,” Proceedings SPIE Conference Automatic Systems for the Identification and Inspection of Humans, vol. 2227, pp. 10–223, 1994.

[8] A. R. Roddy and J. D. Stosz, “Fingerprint Features-Satistical Analysis and Sstem Perfomance Estimates,” Proceddings of the IEEE, vol. 85, pp. 1390–1421, 1997.

[9] Q. Zhao, L. Zhang, D. Zhang, N. Luo, and J. Bao, “Adaptive Pore Model for Fingerprint Pore Extraction,” in 19th International Conference on

Pattern Recognition, 2008. ICPR 2008. IEEE, 2008, pp. 1–4.

[10] M. de Assis Angeloni and A. N. Marana, “Improving the Ridge Based Fingerprint Recognition Method Using Sweat Pores,” in Proceedings of the Seventh International Conference on Digital Society, 2013, Nice,

France. IARIA, 2013.

[11] A. Jain, Y. Chen, and M. Demirkus, “Pores and Ridges: Fingerprint Matching Using Level 3 Features,” in Proceedings of the 18th International Conference on Pattern Recognition, ser. ICPR ’06. Washington, DC, USA: IEEE Computer Society, 2006, pp. 477–480. [Online]. Available: http://dx.doi.org/10.1109/ICPR.2006.938

[12] Q. Zhao, “High Resolution Fingerprint Additional Features Analysis,” Ph.D. dissertation, The Hong Kong Polytechnic University, Hong Kong, 2010.

[13] L. Hong, Y. Wan, and A. Jain, “Fingerprint Image Enhancement: Algorithm and Performance Evaluation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. 8, pp. 777–789, Aug. 1998. [Online]. Available: http://dx.doi.org/10.1109/34.709565

[14] Q. Zhao, D. Zhang, L. Zhang, and N. Luo, “Adaptive

Fingerprint Pore Modeling and Extraction,” Pattern Recognition,

vol. 43, pp. 2833–2844, August 2010. [Online]. Available:

http://dx.doi.org/10.1016/j.patcog.2010.02.016

[15] M. Ray, P. Meenen, and R. Adhami, “A Novel Approach to Fingerprint Pore Extraction,” in Proceedings of the Thirty-Seventh Southeastern

Symposium on System Theory. SSST’05. IEEE, 2005, pp. 282–286.

[16] N. Parsons, J. Smith, E. Th¨onnes, L. Wang, and R. Wilson, “Rotationally Invariant Statistics for Examining the Evidence from the Pores in Fingerprints,” Law, Probability and Risk, vol. 7, no. 1, p. 1, 2008. [17] Q. Zhao et al., “Direct Pore Matching for Fingerprint Recognition,”

Proceddings of the Third Internatioal Conference on Advances in Biometrics, pp. 597–606, 2009.

[18] A. M. Bazen and S. H. Gerez, “Systematic Methods for the Computation of the Directional Fields and Singular Points of Fingerprints,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, pp. 905–919, Jul. 2002. [Online]. Available: http://dx.doi.org/10.1109/TPAMI.2002.1017618

[19] Q. Zhao, D. Zhang, L. Zhang, and N. Luo, “High Resolution Partial Fingerprint Alignment Using Pore-Valley Descriptors,” Pattern Recognition, vol. 43, pp. 1050–1061, March 2010. [Online]. Available: http://portal.acm.org/citation.cfm?id=1660180.1660715

[20] T. H. K. P. University, “The Hong Kong Polytechnic

University High Resolution-Fingerprint Database,” Dispon´ıvel em <http://www4.comp.polyu.edu.hk/ >, 2010.

[21] International Biometric Group, “L3TK - Level 3 Fingerprint Image Toolkit,” 2008, dispon´ıvel em: <http://level3tk.sourceforge.net>. Aces-sado em: 26 jul. 2010.

[22] ——, “Analysis of Level 3 Features at High Resolutions, Phase II -Final Report,” 2008.

[23] M. V. Silva, A. N. Marana, and A. A. Paulino, “On the importance of using high resolution images, third level features and sequence of im-ages for fingerprint spoof detection,” Proceedings ICASSP International Conference on Acoustics, Speech, and Signal Processing, 2015.