• Nenhum resultado encontrado

Comparison Between Isotropic and Adaptive Pore Detection Methods for Fingerprint Recognition

N/A
N/A
Protected

Academic year: 2021

Share "Comparison Between Isotropic and Adaptive Pore Detection Methods for Fingerprint Recognition"

Copied!
6
0
0

Texto

(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 in´umeras situac¸˜oes que requerem a identificac¸˜ao autom´atica, precisa, r´apida e segura de pes-soas [1]. As formas tradicionais de identificac¸˜ao autom´atica de pessoas s˜ao baseadas em posse e/ou conhecimento. Entretanto, essas formas de identificac¸˜ao 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 identificac¸˜ao humana, tanto em aplicac¸˜oes forenses, quanto em aplicac¸˜oes governamentais e comerciais. A Biometria ´e definida como sendo o uso de caracter´ısticas biol´ogicas (f´ısicas ou fisiol´ogicas) ou comportamentais do indiv´ıduo para determinar sua identidade [2]. Dentre essas caracter´ısticas, as mais populares s˜ao face, iris, voz e a impress˜ao digital, sendo esta ´ultima a mais antiga e a mais utilizada. A escolha pelo uso das impress˜oes digitais deve-se, em geral, ao fato desta caracter´ıstica estar presente na maioria da populac¸˜ao, ser ´unica entre diferentes indiv´ıduos, at´e mesmo entre gˆemeos univitelinos e, ainda, ser regener´avel mesmo ap´os mudanc¸as tempor´arias, causadas por cortes e cicatrizes. Al´em disso, a identificac¸˜ao de pessoas pelas impress˜oes digi-tais ´e aceita pelas cortes de justic¸a e tamb´em pela populac¸˜ao em geral [3].

Segundo Jain, Chen e Demirkus [1], as impress˜oes digi-tais de um indiv´ıduo podem ser reconhecidas por meio de caracter´ısticas de trˆes n´ıveis. Os macros-detalhes da impress˜ao digital formados pelas cristas papilares s˜ao as caracter´ısticas de primeiro n´ıvel. As min´ucias, encontradas nas cristas das impress˜oes digitais, como as bifurcac¸˜oes e as terminac¸˜oes, s˜ao exemplos de caracter´ısticas de segundo n´ıvel. Por fim, os atributos vari´aveis das cristas, como, por exemplo, a largura,

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

As caracter´ısticas de primeiro n´ıvel n˜ao contˆem informac¸˜ao suficiente para identificar uma pessoa, contudo s˜ao ´uteis para limitar o espac¸o de busca em um banco de dados durante a recuperac¸˜ao de informac¸˜oes. As caracter´ısticas de segundo n´ıvel possuem, por outro lado, atributos suficientes para determinar a singularidade da impress˜ao digital [4]. As caracter´ısticas de terceiro n´ıvel, que h´a muito tempo s˜ao utilizadas nos exames forenses realizados manualmente por especialistas, garantem melhor desempenho na obtenc¸˜ao de informac¸˜ao discriminat´oria para a identificac¸˜ao humana, pois o reconhecimento baseado apenas nas min´ucias pode ser insuficiente, principalmente em fragmentos de impress˜oes 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 t´ecnicas de processamento de imagem, a diminuic¸˜ao dos prec¸os dos sensores de captura das impress˜oes digitais de alta resoluc¸˜ao e a procura por sistemas biom´etricos mais seguros, os pesquisadores est˜ao investindo no uso de caracter´ısticas de terceiro n´ıvel. Dentre as v´arias caracter´ısticas de terceiro n´ıvel, os poros sudor´ıparos s˜ao os mais explorados [6].

O objetivo deste trabalho ´e comparar m´etodos de detecc¸˜ao de poros em imagens de impress˜oes digitais de alta resoluc¸˜ao (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 m´etodos principais, sendo o primeiro baseado em filtros isotr´opicos e o segundo baseado em uma estrat´egia adaptativa. Esses m´etodos, considerados estado-da-arte, foram compara-dos utilizando-se duas bases de dacompara-dos de impress˜oes digitais: PolyU HRF (contendo imagens com resoluc¸˜ao de 1200 dpi) e Unesp FDB (contendo imagens de 1000 dpi).

II. M ´ETODOS DEDETECC¸ ˜AO DEPOROS

Stosz e Alyea [7] foram os primeiros pesquisadores a inves-tigar o uso de caracter´ısticas de terceiro n´ıvel das impress˜oes digitais para o reconhecimento biom´etrico em sistemas au-tom´aticos. 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 an´alise estat´ıstica, um modelo que define os parˆametros necess´arios para estimar o desempenho de um sistema autom´atico de impress˜oes digitais baseado em poros. Al´em das tradicionais min´ucias, eles discutiram as estat´ısticas e a efic´acia do uso de poros para melhorar o desempenho do sistema, e, como contribuic¸˜ao principal, demonstraram matematicamente a unicidade dos poros [1].

Jain, Chen e Demirkus [1], utilizando tamb´em as carac-ter´ısticas dos trˆes n´ıveis de uma impress˜ao digital, propuseram o uso do contorno das cristas e dos poros para auxiliar na identificac¸˜ao de pessoas e propuseram um modelo isotr´opico para representar os poros.

Sabendo que as impress˜oes digitais podem ter cristas com frequˆencias distintas e poros de larguras e tamanhos vari´aveis, Zhao et al. [9] encontraram limitac¸˜oes no m´etodo proposto por Jain, Chen e Demirkus [1] e propuseram um modelo adaptativo para extrac¸˜ao de poros.

Segundo Angeloni e Marana [6], [10], os m´etodos de extrac¸˜ao de poros encontrados na literatura podem ser divididos, em geral, em trˆes categorias: baseados em esqueletonizac¸˜ao, baseados em filtros isotr´opicos e baseados em filtros adaptativos.

Jain, Chen e Demirkus [1] enumeraram algumas limitac¸˜oes dos m´etodos baseados em esqueletonizac¸˜ao para a extrac¸˜ao de poros e uso dos mesmos no reconhecimento de impress˜oes digitais, e conclu´ıram que a esqueletonizac¸˜ao ´e eficiente para extrac¸˜ao de poros apenas em imagens de boa qualidade. Tendo em vista esta restric¸˜ao, neste trabalho s˜ao considerados apenas os m´etodos baseados em filtros isotr´opicos, como o proposto por Jain, Chen e Demirkus [1], [11], e o m´etodo baseado em filtros adaptativos, como o proposto por Zhao et al. [12], que s˜ao apresentados nas subsec¸˜oes II-A e II-B, respectivamente. A. M´etodo Baseado em Filtros Isotr´opicos

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

biom´etrico e, para extra´ı-los, utilizaram a transformada wavelet chap´eu mexicano e uma suavizac¸˜ao 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 s˜ao dispostos ao longo das cristas papilares, ´e necess´aria a separac¸˜ao das cristas e dos vales na imagem de impress˜ao digital, para que nenhum ponto localizado nas regi˜oes 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 s˜ao a orientac¸˜ao e frequˆencia do filtro, respectiva-mente, δx e δy s˜ao os desvios padr˜ao da gaussiana ao longo

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

posic¸˜ao de um ponto (x, y) ap´os ele ter sofrido uma rotac¸˜ao por um ˆangulo (90◦ - θ). Os quatro parˆametros do filtro de Gabor (θ, f, δx, δy) s˜ao empiricamente determinados baseados

na frequˆencia da crista e na orientac¸˜ao da imagem [13]. O resultado da aplicac¸˜ao dos filtros de Gabor ´e mostrado na Figura 3b, onde ´e facilmente observada a separac¸˜ao obtida entre as cristas e os vales.

Adicionando-se a imagem de sa´ıda da aplicac¸˜ao dos filtros de Gabor com a imagem de impress˜ao digital de entrada, ´e poss´ıvel observar que os poros ficam retidos nas cristas, por´em com um baixo contraste em relac¸˜ao aos pixels das cristas (Figura 3c). A transformada wavelet chap´eu mexicano ´e, ent˜ao, aplicada na imagem de entrada com a finalidade de capturar as alterac¸˜oes abruptas de intensidade, decorrentes das repentinas alterac¸˜oes de branco para preto [11]. A transformada wavelet ´e aplicada na imagem de entrada f (x, y) ∈ R2, conforme a Equac¸˜ao 2: w(s, a, b) = √1 s Z R2 f (x, y)φ x − a s , y − b s  dxdy, (2) onde s ´e o fator de escala e (a, b) ´e o parˆametro de desloca-mento.

No pr´oximo passo do m´etodo, a resposta do filtro ´e normali-zada usando a normalizac¸˜ao min-max e as regi˜oes de poros s˜ao 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, ´e obtido o reforc¸o ´otimo 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 m´etodo proposto por Jain, Chen e Demirkus [1], [11] para a extrac¸˜ao dos poros est˜ao ilustrados na Figura 3.

(a) (b) (c)

(d) (e) (f)

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

impress˜ao digital parcial de 1000 dpi. (b) Realce das cristas na imagem mostrada em (a) usando filtros de Gabor. (c) Uma combinac¸˜ao linear de (a) e (b). (d) Resposta wavelet (s = 1.32) da imagem em (a). (e) Uma combinac¸˜ao 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 limitac¸˜oes dos m´etodos propostos em [1], [11], [15], [16], pois todos eles consideram que os poros podem ser representados por modelos isotr´opicos, conforme mostra a Figura 4. Esses m´etodos n˜ao conseguem se adaptar `as diferentes regi˜oes de uma impress˜ao digital. Na pr´atica, impress˜oes digitais de dedos diferentes, ou diferentes regi˜oes 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, ent˜ao, um modelo de extrac¸˜ao de poros que se adapta de acordo com a direc¸˜ao e per´ıodo da crista local. Eles marcaram manualmente centenas de poros em v´arias imagens de impress˜oes digitais, incluindo poros abertos e fechados. Baseados na aparˆencia destes poros reais,

eles resumiram a representac¸˜ao dos poros para trˆes estruturas, mostradas na Figura 5. Dentre as estruturas, as duas ´ultimas (5(b-c)) correspondem a poros abertos e n˜ao s˜ao isotr´opicas.

(a) (b) (c)

Fig. 5. Representac¸˜oes dos tipos de aparˆencias dos poros. (a) Poro fechado, e (b) e (c) Poros abertos [9].

Analisando a aparˆencia dos poros com mais detalhes, Zhao et al. [9] verificaram que ao longo da direc¸˜ao da crista, os trˆes tipos de poros aparecem com perfil quase gaussiano. Baseados nesta premissa, eles propuseram o modelo de poro descrito pelas Equac¸˜oes 3 e 4, que ´e mais preciso que os modelos baseados em filtros isotr´opicos.

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 ´e usado para controlar a escala do poro e ´e determinado pelo per´ıodo da crista local. θ ´e usado para controlar a direc¸˜ao do modelo do poro e pode ser estimado pela orientac¸˜ao local da crista. Uma vez que ambos os parˆametros s˜ao determinados adaptativamente, a modelagem recebeu o nome de Modelo de Poro Adaptativo, do inglˆes APM.

Embora os resultados obtidos com a extrac¸˜ao de poros utilizando o APM tenham sido promissores e superiores aos obtidos pelos m´etodos baseados em filtros isotr´opicos, Zhao et al. [17] ponderam acerca da dependˆencia que a comparac¸˜ao de poros adotada tem em relac¸˜ao as min´ucias. Segundo eles, esta dependˆencia acaba limitando a acur´acia que pode ser obtida combinando estas caracter´ısticas de segundo n´ıvel com os poros, por n˜ao serem independentes. Ent˜ao, a fim de desvincular os processos de comparac¸˜ao de min´ucias e poros, e tornar a fus˜ao mais efetiva, Zhao et al. [17] propuseram uma abordagem de comparac¸˜ao direta dos poros das impress˜oes digitais.

Posteriormente, Zhao et al. [14] estenderam o trabalho proposto por eles em [9] e o denominaram Modelo de Poro Anisotr´opico Dinˆamico, do inglˆes DAPM. As Equac¸˜oes 3 e 4 foram reescritas da seguinte forma:

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

Pθ(i, j) = Rot(P0(i, j), θ) = e(−ˆj

2/2σ2)

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

(6)

A equac¸˜ao 5 ´e o modelo de referˆencia (ou seja, o modelo zero grau), e a equac¸˜ao 6 ´e o modelo rotacionado. Neles, σ ´e

(4)

o parˆametro de escala que ´e usado para controlar o tamanho do poro, determinado pela frequˆencia local da crista. θ ´e o parˆametro de orientac¸˜ao, o qual ´e utilizado para controlar a direc¸˜ao do modelo do poro, e ´e estimado pela orientac¸˜ao local da crista. A Figura 6 mostra alguns exemplos de instˆancias 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 orientac¸˜ao da crista na impress˜ao digital, Zhao et al. [14] basearam-se no trabalho de Bazen e Gerez [18], onde primeiro ´e realizada uma suavizac¸˜ao da imagem usando um n´ucleo de suavizac¸˜ao e ent˜ao s˜ao calculados os gradientes nas direc¸˜oes 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 s˜ao ent˜ao suavizados usando um n´ucleo Gaussiano, resultando em Gxx, Gxy, e Gyy. A orientac¸˜ao 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].

J´a o parˆametro de escala ´e estimado do fato dos poros estarem sempre localizados nas cristas. Dessa forma, as escalas dos poros devem estar restritas pelas larguras das cristas onde est˜ao localizados. Ent˜ao, Zhao et al. [14] associaram a escala m´axima de um poro com o per´ıodo das cristas na regi˜ao da impress˜ao digital onde ele est´a localizado por uma raz˜ao σ = τ /k, onde τ ´e o per´ıodo da crista local (ou o inverso da frequˆencia da crista local), e k ´e uma constante positiva, empiricamente definida com k = 12 em [14]. A frequˆencia local da crista ´e estimada em uma janela usando o m´etodo de [13].

Os parˆametros podem ser estimados para cada pixel da imagem, no entanto, esta operac¸˜ao ´e bastante cara, e em algu-mas regi˜oes da imagem ´e dif´ıcil obter uma estimativa precisa. Ent˜ao, Zhao et al. [14] propuseram uma abordagem baseada em blocos. Um diagrama resumindo os passos principais desta abordagem ´e apresentado na Figura 7.

Os blocos da imagem de impress˜ao digital s˜ao classificados em trˆes tipos: blocos bem definidos, blocos mal colocados e blocos de fundo. Os blocos de fundo s˜ao descartados. Nos blo-cos bem definidos ´e poss´ıvel estimar diretamente a orientac¸˜ao e frequˆencia dominante da crista. Nos blocos mal colocados, embora n˜ao apresentem uma orientac¸˜ao dominante, ´e poss´ıvel estimar sua frequˆencia atrav´es da interpolac¸˜ao das frequˆencias

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 classificac¸˜ao ´e feita baseada em limiares previamente definidos, correspondentes ao n´ıvel de certeza da orientac¸˜ao obtida para o bloco e a intensidade de contraste do bloco. Caso os dois valores estejam acima dos limiares, o bloco ´e classificado como “bem definido” e o bloco n˜ao ´e mais particionado. Caso contr´ario, se o tamanho do bloco estiver acima de um valor m´ınimo, ele ´e novamente particionado e os novos blocos gerados classificados. Quando o bloco atinge o tamanho m´ınimo, ele ´e classificado como “mal colocado” caso o n´ıvel de certeza da orientac¸˜ao estiver abaixo do limiar e a intensidade de contraste do bloco acima de seu limiar, caso contr´ario o bloco ´e classificado como fundo. A divis˜ao em blocos est´a exemplificada na Figura 8.

(a) (b)

Fig. 8. Particionamento da impress˜ao digital da abordagem de extrac¸˜ao de poros adaptativa. (a) Uma imagem de impress˜ao digital (o c´ırculo vermelho indica a regi˜ao em que n˜ao ´e poss´ıvel estimar os parˆametros com precis˜ao). (b) O resultado da partic¸˜ao [14].

Para os blocos bem definidos, ´e aplicado o DAPM para extrac¸˜ao dos poros, visto que para eles ´e poss´ıvel calcular os parˆametros do modelo diretamente (orientac¸˜ao e frequˆencia das cristas). Nos blocos mal posicionados ´e utilizado um mod-elo de poros baseado em Diferenc¸as de Gaussianas adaptativas, do inglˆes DOG, proposto em [19], utilizando a frequˆencia do bloco (obtida por interpolac¸˜ao dos blocos vizinhos). Um limiar ´e ent˜ao aplicado para filtrar a sa´ıda do m´etodo e segmentar os poros candidatos da imagem, sendo essa a entrada do passo de p´os-processamento.

III. BASES DE DADOS

Para comparar os desempenhos dos m´etodos isotr´opico e adaptativo de extrac¸˜ao de poros, foram utilizadas duas bases de dados com imagens de fragmentos de impress˜oes

(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 ´e composta por imagens com resoluc¸˜ao de 1200 dpi [20]. As imagens foram capturadas por um dispositivo de captura de impress˜oes digitais de alta resoluc¸˜ao criado pelos pesquisadores do Centro de Pesquisas Biom´etricas da PolyU. O dispositivo possui resoluc¸˜ao adequada para extrac¸˜ao 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 impress˜oes digitais de volunt´arios, sendo a maioria deles estudantes e funcion´arios 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 n˜ao gerar deformac¸˜oes exageradas nas impress˜oes digitais). Estas bases de dados foram chamadas de DBI e DBII [12].

A base de dados PolyU HRF est´a disponibilizada em www4.comp.polyu.edu.hk/. Ela possui tamb´em 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, ´e avaliar a acur´acia dos algoritmos de extrac¸˜ao 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, ´e composta por imagens com resoluc¸˜ao de 1000 e 500 dpi. As imagens foram capturadas por um dispositivo de captura de impress˜oes digitais de alta resoluc¸˜ao. O dispositivo de captura possui hard-ware e softhard-ware adequados para a extrac¸˜ao de caracter´ısticas do terceiro n´ıvel.

No decorrer do processo de criac¸˜ao da base de dados, foram coletadas imagens de impress˜oes digitais de volunt´arios, sendo a maioria deles estudantes e funcion´arios 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 forc¸a o dedo no momento da captura a fim de gerar deformac¸˜oes nas imagens. Este processo foi repetido duas vezes, uma para capturar imagens de resoluc¸˜ao 1000 dpi e outra para imagens de 500 dpi.

Ap´os o processo de captura de imagens, foram selecionadas 80 imagens para realizar a execuc¸˜ao dos m´etodos de extrac¸˜ao de poros. Foram 40 imagens de impress˜ao digital com resoluc¸˜ao de 1000 dpi e 40 imagens de impress˜ao digital das mesmas pessoas, por´em com resoluc¸˜ao 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 m´etodo de detecc¸˜ao de poros baseado em filtros isotr´opicos foi utilizado um SDK de dom´ınio p´ublico chamado Level 3 Fingerprint Image Toolkit (L3TK), desenvolvido em JAVA pelo International Biometric Group (IBG) [21]. Esta toolkit ´e composta por uma s´erie de filtros, algoritmos de segmentac¸˜ao e casamento de poros inspirados no trabalho de Jain et al. [11]. Relat´orios t´ecnicos do estudo do L3TK podem ser acessados publicamente em [22].

Para o m´etodo de detecc¸˜ao de poros baseado em filtros adaptativos (Dynamic Anisotropic Pore Model- DAPM) [14] foi utilizada a implementac¸˜ao em MATLAB disponibilizada pelos autores.

Durante os experimentos realizados sobre as duas bases de dados descritas em III, trˆes m´etricas foram utilizadas para avaliar a performance da detecc¸˜ao de poros de cada m´etodo: RT - True Detection Rate (taxa de detecc¸˜ao correta), definida

como a raz˜ao entre o n´umero de poros corretamente detectados pelo n´umero total de poros presentes na imagem; RF - False

Detection Rate(taxa de detecc¸˜ao falsa), definida como a raz˜ao entre o n´umero de poros incorretamente detectados pelo total de poros detectados pelo m´etodo; e a Acur´acia de Detecc¸˜ao Global, do inglˆes ODA - Overall Detection Accuracy [12], definida como:

ODA =pRT.(1 − RF), (8)

Os resultados experimentais obtidos est˜ao apresentados na Tabela I. Esses resultados mostram a superioridade do m´etodo adaptativo sobre o m´etodo isotr´opico nas duas bases de dados. Mostram tamb´em que o aumento do tamanho da caixa delimi-tadora, utilizada para casamento dos poros detectados de forma autom´atica com os poros marcados manualmente que fazem parte dos conjuntos verdade, acarreta concomitantemente o aumento da taxa RT e a diminuic¸˜ao 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

Caixa delimitadora 8 pixels

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

Caixa delimitadora 10 pixels

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 detecc¸˜ao de poros utilizando-se os dois m´etodos, Isotr´opico e Adaptativo, em imagens de impress˜ao digital das bases de dados UNESP FDB e PolyU HRF, respectivamente.

(a) (b)

Fig. 9. Resultado da detecc¸˜ao de poros por meio dos dois m´etodos avaliados em uma imagem de 1000 dpi da base de dados UNESP FDB. (a) M´etodo adaptativo; (b) M´etodo isotr´opico. Os poros detectados est˜ao em destaque na cor vermelha e as caixas delimitadoras do conjunto verdade anotadas na cor verde.

(a) (b)

Fig. 10. Resultado da detecc¸˜ao de poros por meio dos dois m´etodos avaliados em uma imagem de 1200 dpi da base de dados PolyU HRF. (a) M´etodo adaptativo; (b) M´etodo isotr´opico. Os poros detectados est˜ao em destaque na cor vermelha e as caixas delimitadoras do conjunto verdade anotadas na cor verde.

V. CONCLUSAO˜

Este artigo apresenta os resultados da comparac¸˜ao entre dois m´etodos propostos na literatura, sendo um deles baseado em filtros isotr´opicos e o outro baseado em filtros adaptativos, para a detecc¸˜ao de poros em imagens de impress˜oes digitais. Tais resultados mostram que o m´etodo baseado em filtros adaptativos apresentou melhor acur´acia de detecc¸˜ao global dos poros nas bases de dados utilizadas.

´

E importante ressaltar que o uso dos poros sudor´ıparos, al´em de ser ´util para o reconhecimento de impress˜oes digitais, pode ser ´util tamb´em para a detecc¸˜ao de fraudes do tipo spoofing em sistemas biom´etricos baseados em impress˜oes digitais, como conclu´ıram recentemente Silva, Marana e Paulino [23], da´ı a importˆancia cada vez maior de se utilizar m´etodos eficientes para detecc¸˜ao 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.

Referências

Documentos relacionados

Sem haver uma preocupação mais primal que esboce o conhecimento como algo também fundamentado na ação, na participação da razão na geração do ambiente observável,

- Certificar-se antes de usar a máquina que o cabo elétrico de alimentação não esta danificado.. Em caso contrário, providenciar a sua substituição por

tendo em vista não apresentar ao exame físico restrições para a movimentação normal ...” (folha 159). A hérnia discal lombar tem característica própria. Um traumatismo agudo

chamam a atenção para o facto de o acesso a fontes de energia sustentáveis e a existência de preços de energia acessíveis constituírem um verdadeiro desafio para os países ACP;

Número médio de larvas de segundo estádio (L2) de endoparasitos de Gallus gallus encontrados após a aplicação dos tratamentos homeopático e fitoterápico da planta

Pour ces interventions, vous pouvez vous adresser au centre des réparations de Beta Utensili S.p.A.. à travers votre revendeur Beta

A partir dos resultados do presente estudo (redução da atividade da SOD, aumento da expressão da nNOS e hiperalgesia térmica 7 dias após a axotomia) é aceitável propor que a

• Trio: Através das informações genéticas dos progenitores, são selecionadas as variantes responsáveis pelo fenótipo do paciente, contemplando tanto a apresentação clínica