PalmPass: Biometric Recognition by
Computational Analysis of Palmar Print
Abstract—Currently, the most used systems for userauthentication and identification are based on passwords and biometrics. However, such methods still have vulnerabilities that result in high false verification rate even in modern systems. The BioPass project provides the use of multifactor authentication and multibiometrics associated to active safety. In this context, this paper proposes the development of a subsystem of BioPass called PalmPass, addressing biometric recognition through the analysis of palm prints. The proposed method employs region of interest extraction and normalized correlation in the frequency domain. In order to empirically validate the proposed system, tests were performed with images from the database Poly U. Palmprint Database. In the best case, a correct classification rate of 98% was achieved.
Keywords-reflector; biometry; palm print; biopass. I. INTRODUÇÃO
Ao disponibilizar um serviço que exija controle de acesso, as organizações se deparam com o problema de estabelecer uma associação entre um indivíduo e uma identidade. A metodologia tradicional de autenticação baseada em senha permite que qualquer pessoa munida de um login e sua respectiva senha, tenha acesso a um serviço, independentemente de ser o usuário a quem o login e senha se destinam.
Há também serviços biométricos de identificação e autenticação de usuários, considerados, a princípio, mais seguros, por exigirem a apresentação de uma característica física única e, portanto, a presença do usuário ao menos no momento da autenticação. No entanto, tais métodos também apresentam vulnerabilidades.
A fim de elevar o grau de segurança em sistemas de informação, o projeto BioPass, uma parceria entre o Grupo de Pesquisa em Processamento e Análise de Sinais, Imagens e Vídeo e Reconhecimento de Padrões e a VSoft Tecnologia, prevê a utilização de autenticação multifator associada a multibiometria. Mais especificamente, prevê-se a utilização de cartão e senha associada à multibiometria por reconhecimento de face, impressão digital, geometria da mão, impressão palmar e voz-locutor.
De acordo com [8], palmprint é uma característica biométrica única e confiável com alta usabilidade. Com a demanda crescente de sistemas automatizados de autenticação via biometria palmar, o desenvolvimento de algoritmos precisos e robustos de verificação de impressões palmares tem vindo a atrair um monte de interesses. Diferenças como translação, rotação e distorção entre duas imagens palmares introduzem erro no momento da comparação entre essas duas imagens e uma autenticação precisa é demasiadamente demorada.
Métodos baseados em treinamento, como utilizados em [2] e [6], apesar de mais rápidos, apresentam taxas de acertos significativamente baixas para o reconhecimento biométrico preciso. Isso os torna inviáveis para autenticação de usuários e o uso comercial, já que esses algoritmos não podem ser treinados antes de serem utilizados no ambiente em que serão aplicados.
Métodos que fazem a segmentação ou utilizam informações acerca dos principais vínculos e linhas palmares [9] presentes na região palmar costumam apresentar taxas de acerto mais elevadas [5]. Esses métodos apresentam semelhanças com os utilizados para impressões digitais e também podem ser considerados relevantes em sistemas com autenticação multifator. Esses algoritmos, todavia, são mais complexos de serem implementados.
Entretanto, métodos mais recentes mostram que o uso da DCT pode ser uma alternativa rápida e eficiente no que diz respeito à identificação e autenticação de usuários [7].
Nesse contexto, este artigo apresenta métodos para extração de regiões de interesse na região palmar e o uso da correlação normalizada no domínio da frequência para comparação dessas regiões. Por fim, são discutidos testes realizados para validar o método proposto.
II. MATERIAIS
Foi utilizada a IDE Netbeans com a linguagem de programação Java®, versão 1.8.0. A classe BufferedImage, subclasse de Image do pacote AWT foi usada para a abertura das imagens utilizadas neste trabalho, de formato .bmp em escala de nível de cinza. Já a classe WritableRaster, subclasse de Raster e também pertencente ao pacote AWT, foi utilizada para a obtenção dos pixels de um objeto Image assim como para a alteração dos mesmos. A API (interface de programação de aplicativos) ImageJ [4], integrada com Java, foi usada para o aplicação da correlação normalizada. O uso do pacote jtransforms é usado para aplicação da correlação normalizada no domínio da frequência.
A base de impressões palmares Poly U. Palm Print Database [1] foi selecionada para ser usado durante toda a pesquisa. Esse banco possui um total de 50 imagens de baixa resolução (75 dpi) em escala de cinza no formato .bmp de dimensões 384x284. As imagens são de 10 pessoas diferentes, com 5 imagens para cada pessoa.
III. LOCALIZAÇÃO DOS PONTOS DE REFERÊNCIA
Para localização dos pontos de referência na região palmar, primeiramente a imagem utilizadas deve passar por um processo de binarização para facilitar a leitura das informações. Mesmo após esse procedimento, as imagens do banco de dados palmar ainda necessitam de uma suavização
para diminuição do ruído para melhorar a qualidade da binarização. Para tanto é utilizado um filtro de processamento digital de imagens conhecido como mediana [3].
As imagens contidas no banco de dados apresentam alterações de posicionamento de forma que as imagens, mesmo sendo da mesma pessoa, não podem ser diretamente comparadas sem antes haver um processamento para a localização de pontos de referência na mão, para definição da área principal, ou região de interesse (region of interest, ROI).
Os pontos de referência a serem encontrados [2], são os seguintes:
Ponto de interseção entre os dedos anelar e mínimo, P1; e
Ponto de interseção entre os dedos indicador e médio, P2
Métodos foram desenvolvidos para busca e demarcação automática desses pontos nas imagens binarizadas [2], calculando-se, então, a distância d, o ponto-médio Pm e o ângulo θ entre eles.
IV. LOCALIZAÇÃO DA ÁREA PRINCIPAL NA REGIÃO PALMAR
Após serem encontrados e definidos os pontos de referência, a imagem é processada de forma a encontrar a ROI, uma região retangular completamente contida na palma da mão, que será usada para obtenção das informações necessárias para a comparação e reconhecimento do usuário.
De acordo com as informações extraídas a partir da definição dos pontos de referência, a imagem é rotacionada θ graus, de modo que a reta que liga P1 e P2 torna-se vertical, e localizam-se o ponto inferior esquerdo e superior direito da ROI, utilizando d e Pm. A ROI é então transformada em uma nova imagem em escala de cinzas. Essa nova imagem passa a representar a informação de interesse básica, a ser utilizada para produzir as ROIs específicas definidas para cada variante do método proposto. Essa imagem denomina-se, no escopo deste trabalho, ROI original.
As subseções seguintes detalham as variantes avaliadas para o método proposto.
A. ROIs Normalizadas
A partir das ROIs básicas, obteve-se a menor altura e a menor largura dentre todas elas, e novas ROIs foram criadas com essas dimensões, denominadas de ROIs normalizadas, recortando-se as ROIs originais. Como a menor largura e a menor altura dentre todas as ROIs originais é 122, todas as ROIs normalizadas tem dimensões 122x122. A Fig. 1 mostra uma ROI original e a ROI normalizada correspondente.
Fig. 1. ROI original (a) e ROI normalizada. (b).
B. ROIs Estendidas
A partir do método de demarcação das ROIs originais, acrescentou-se às bordas da ROI 8 pixels na direção horizontal e 16 pixels na direção vertical. Esse valor foi obtido empiricamente, para a base utilizada. Essa nova região, maior que a ROI original, foi copiada para uma nova imagem mantendo-se os valores originais dos pixels na região demarcada. A Fig. 2 ilustra a obtenção dessa nova ROI, denominada ROI estendida.
Fig. 2. ROI original e estendida. As Fig. (a) e (b) representam, respectivamente, a ROI original e estendida da pessoa 1, mão 1. As Fig. (c) e (d) representam, respectivamente, a ROI original e estendida da pessoa 2, mão 1.
Como pode ser visto pela Fig. 2(d), a ROI estendida apresenta uma região de pixels com valores mais baixos que não pertencem propriamente à região palmar da mão correspondente. Isso ocorreu pela extensão descrita anteriormente. Apesar desses pixels com valores mais baixos não serem interessantes para o processo de correlação, esses pixels não influenciaram de forma significativa nos resultados, devido ao modo como a correlação é aplicada, como pode ser visto na seção correspondente.
C. ROIs Rotacionadas
A partir das ROIs normalizadas, foram criadas ROIs rotacionadas de -3º a 3º, com passo de 1º. Essas novas
imagens foram usadas para verificar de que forma o tamanho ou o ângulo da área principal extraída influenciam no resultado da comparação com correlação normalizada.
A Fig. 3 mostra o resultado da operação de rotação de ROIs normalizadas.
Fig. 3. Áreas principais da mão 1 – pessoa 1 rotacionada (a) 3º, (b) 2º, (c) -1º, (d) -1º, (e) 2º, (f) 3º
No total há 9 bancos de dados de ROIs diferentes, são eles: originais, estendidas, normalizadas, rotacionadas -3º, rotacionadas -2º, rotacionadas -1º, rotacionadas 1º, rotacionadas 2º e rotacionadas 3º. Cada um tem 50 imagens representando cada mão da base de dados utilizada.
V. CORRELAÇÃO NORMALIZADA
A correlação, no processamento digital de imagens, fornece uma medida de similaridade entre duas imagens. Na correlação normalizada, a medida varia no intervalo de [-1,1], onde 1 é o grau máximo de semelhança. Uma propriedade importante é que a correlação é uma operação comutativa, ou seja, a correlação entre duas imagens a e b é igual à correlação entre b e a, se a e b forem convenientemente estendidas. A correlação normalizada é dada por (1) [10]:
(1)
Onde:
C(i,j): coeficiente de correlação em escala absoluta [-1, 1]; Wz: janela de referência; e µw: média da janela de
referência;
Si,j: janela de ajuste; e µs:média da janela de ajuste;
l e m: linha e coluna, respectivamente, do ponto de controle na imagem referência;
k e L: número de linhas e colunas, respectivamente, da janela.
Por (1) também se pode observar que não faz sentido calcular a correlação quando a imagem de template é maior que a imagem de referência [3]. A correlação foi usada para comparação, sendo testada a aplicação no domínio do espaço e da frequência, pela Transformada de Fourier, para diminuir o tempo de processamento.
VI. RESULTADOS E DISCUSSÕES
O sistema é capaz de encontrar os pontos de referência da palma da mão, definir a área principal a ser usada para comparação e aplicar a correlação em quaisquer dois tipos de áreas principais diferentes indicando qual a área principal de referência mais parecida para cada template. Além disso, ele fornece as principais informações acerca da imagem da mão como os dois pontos de interseção descritos na seção correspondente, o ângulo, a distância aproximada e o ponto médio dentre essas interseções para cada imagem de mão exibida.
As Fig. 4, 5 e 6 mostram o resultado do processamento do sistema sobre uma mesma mão do banco de dados palmar.
Fig. 4. Imagem Original do Banco de Dados Palmar.
Fig. 5. Mão binarizada, com o filtro da mediana aplicado 3 vezes, com os pontos principais definidos e área principal demarcada
Fig. 6. Área principal correspondente
Ambos os métodos de pré-processamento, mediana e binarização, mostraram-se eficazes. A mediana aplicada 3 vezes seguida consegue retirar com qualidade todo o ruído, tornando o processo de binarização mais satisfatório. Uma binarização adequada é importante para a localização dos pontos principais na região palmar e, consequentemente, para a definição da área principal. Uma binarização adequada é obtida escolhendo-se um limiar bem ajustado e eliminando-se o ruído pela aplicação da mediana. Os testes indicaram que um limiar de 20 produz resultados precisos. Desta forma, após a aplicação dos métodos de pré-processamento, pode-se observar que toda a área do contorno da região palmar está bem demarcada e com um nível de ruído que não interfere na localização das informações importantes.
O sistema mostrou-se capaz de localizar e marcar a interseção entre os dedos, tanto anelar e mínimo quanto indicador e médio, com desempenho satisfatório. Percebe-se também que a precisão em diferentes imagens da mesma mão no banco de dados é satisfatória. A Fig. 7 mostra imagens diferentes da mesma mão com a marcação dos pontos principais destacada.
Fig. 7. Marcação destacadas das interseções encontradas pelo sistema. (a) Mão 1- Imagem 1. (b) Mão 1- Imagem 2.
A extração das ROIs mostrou-se precisa. A Fig. 8 mostra o resultado da extração da ROI em diferentes mãos e imagens do banco de dados.
Fig. 8. Áreas principais extraídas pelo sistema. (a) Pessoa 1 – Mão 1. (b) Pessoa 1 – Mão 2. (c) Pessoa 3 – Mão 3. (d) Pessoa 3- Mão 5.
Observa-se que a Fig. 8(a) e (b) apresentam imagens muito semelhantes, diferentes somente no tamanho da área extraída. Porém, as Fig. 8(c) e 8(d) apresentam uma diferença mais acentuada, não somente no tamanho da área extraída como também na posição de extração. Apesar dessa diferença, com o uso da correlação normalizada para comparar as duas imagens obtêm-se um grau elevado de semelhança, devido à forma como a correlação é aplicada. Deste modo, tanto a diferença de tamanho quanto a posição não interferem significativamente na comparação com correlação normalizada.
A aplicação da correlação em ambos os domínios – espaço e frequência – apresentaram o mesmo resultado, como era esperado. Porém, o uso da correlação normalizada no domínio da frequência mostrou-se significativamente mais rápido do que sua equivalente no domínio do espaço. Testes empíricos mostraram que a execução da correlação no domínio da frequência foi aproximadamente 250 vezes mais rápida do que a correlação no domínio do espaço sob as mesmas condições. Nos testes, 2500 correlações entre ROIs originais foram executadas em aproximadamente 2500 segundos, no domínio do espaço, e em aproximadamente 10 segundos no domínio da frequência. A correlação normalizada no domínio da frequência teve o desempenho esperado e seus resultados podem ser vistos na Tabela 1.
TABELA I TAXA DE ACERTO PARA CORRELAÇÃO ENTRE TIPOS DE ROIS DIFERENTES
Referência Template Taxa de
Acerto
ROIs Originais ROIs Originais 74%
ROIs Normalizadas ROIs Normalizadas 88%
ROIs Estendidas ROIs Originais 92%
Observa-se que a correlação entre as ROIs Originais apresentou a menor taxa de acerto. Isso ocorreu devido à variabilidade no tamanho das ROIs originais. Dessa forma, no momento da correlação, sempre que uma ROI original usada como template é maior que a ROI usada como referência, o resultado da correlação normalizada é inconsistente.
Pode-se ver, então, que o sistema apresentou uma acurácia de 98% na identificação de uma palma da mão para as imagens previstas no banco de dados usado. Isso significa que, como o banco de dados possui 50 mãos e, consequentemente, 50 áreas principais obtidas, há somente uma área principal que o sistema erra na identificação. Curiosamente, essa ROI, em todos dos testes citados até aqui, não foi identificada corretamente como sendo da pessoa nº 10 do banco de dados utilizado. A Fig. 9 mostra a ROI normalizada da mão dessa pessoa.
Fig. 9. ROI normalizada da pessoa 10 – mão 3.
Acredita-se que esse erro ocorra pela semelhança, em nível de cinza, que os pixels dessa imagem apresentam em relação a outras imagens do banco de dados. Esse teste é de significante importância para mostrar como a captura das imagens pode influenciar na identificação do usuário por um sistema.
Esta taxa de acerto (98%) é idêntica a um dos algoritmos apresentado em [7] que também faz o reconhecimento biométrico baseado na aplicação da DCT. Porém,não pode ser comparada com [8] pelo número de imagens, pessoas e métodos diferentes.
Como mostrado pela Tabela 2 o método da correlação se mostrou eficaz para pequenas variações de até 2º para mais ou para menos. Somente as áreas principais rotacionadas, -3º ou 3º apresentaram um resultado diferente do que o encontrado no teste equivalente na Tabela 1. Esse resultado é importante para a identificação da tolerância do sistema em relação à rotação que pode ocorrer no momento da extração das ROIs. Logo, uma rotação de 2º - para mais ou para menos – no momento da captura não influencia a taxa de acerto do sistema.
TABELA II TAXA DE ACERTO PARA CORRELAÇÃO ENTRE AS ROIS ESTENDIDAS E AS ROIS ROTACIONADAS DE -3 A 3 GRAUS
Referência Template Taxa de
Acerto ROIs Estendidas ROIs Normalizadas
Rotacionadas -3º
96% ROIs Estendidas ROIs Normalizadas
Rotacionadas -2º
98% ROIs Estendidas ROIs Normalizadas
Rotacionadas -1º
98% ROIs Estendidas ROIs Normalizadas
rotacionadas 1º
98% ROIs Estendidas ROIs Normalizadas
rotacionadas 2º
98% ROIs Estendidas ROIs Normalizadas
rotacionadas 3º
96%
VII. CONCLUSÕES
Este trabalho apresentou um novo método para reconhecimento biométrico por intermédio da análise de impressões palmares. Foram propostas e avaliadas empiricamente algumas variantes do método, atingindo-se, no melhor caso, uma taxa de acertos de 98%. Os resultados indicam que o banco de dados do sistema a ser integrado ao BioPass deva ser construído de tal forma que, no momento do cadastro de uma nova pessoa ao sistema, um ROI estendida seja extraída e armazenada no banco de dados ao usuário correspondente. Além disso, quando for necessária a identificação do indivíduo, por intermédio do sistema, uma ROI normalizada deve ser extraída e correlacionada com as demais áreas principais já armazenadas no banco de dados. A aplicação da correlação no domínio da frequência é de suma importância, já que essa mostrou-se mais rápida do que a correlação no domínio do espaço.
Informações como distâncias e ângulo entre as interseções e tamanho da área principal podem ser armazenadas, também, para pré-selecionar áreas principais no momento da identificação do usuário e, assim, diminuir o conjunto de aplicação da correlação. No entanto, é importante melhorar a precisão nas marcações das interseções, mostradas na Fig. 7, o que ocorrerá com a integração a outro subsistema do BioPass, voltado a reconhecimento biométrico por geometria da mão, em que os pontos fiduciais do contorno da mão são precisamente definidos.
Deve-se destacar que pode-se aumentar a tolerância do sistema a rotações indesejadas nas ROIs rotacionando-se os templates por diversos ângulos em um intervalo pré-definido, com passo de 1º, por exemplo, antes de calcular a correlação. Assim, caso a ROI extraída da mão de um certo usuário esteja indevidamente rotacionada, o valor da correlação com o template correto (ou seja, extraído de uma imagem da mão do mesmo usuário) será elevada quando o template for rotacionado pelo mesmo ângulo da ROI. Essa solução, contudo, ocasiona um aumento no tempo de processamento.
Em relação ao sistema de captura, ele deve ser projetado de tal forma que não permita uma variação abrupta no
momento da extração da região palmar, evitando angulações no posicionamento da mão maiores que 2 graus positivos ou negativos. A qualidade das imagens deve ser suficiente para que os vincos e minúcias palmares tornem-se visíveis ao sistema.
REFERÊNCIAS
[1] Poly U. Palm Print Database (2nd). Disponível em:
http://www4.comp.polyu.edu.hk/~biometrics/. Acessado em 12 de agosto de 2011.
[2] Kong, Adams; Zhang, David; Kamel, Mohamed. "A survey of palmprint recognition". Elsevier, 2009.
[3] R.C.Gonzalez e R.E.Woods. Digital Image Processing. Addison-Wesley, 1992.
[4] ImageJ. Disponível em: < http://rsbweb.nih.gov/ij/>. Acesso em: 15 nov. 2011.
[5] Wu, Xiangqian; Zhang, David; Wang, Kuanquan; Huang, bo. “Palmprint classication using principal lines”. Pergamon, 2004.
[6] Wang, Meng; Ruan, Quiqi. “Palmprint Recognition Based on Two-Dimensional Methods”. ICSP, 2006.
[7] Shashikala, K. P; Raja, K. B. “Palmprint Identification based on DWT, DCT and QPCA”. International Journal of Engineering and Advanced Technology, 2012.
[8] Zhang, Lei; Guo, Zhenhua; Wang, Zhou; Zhang, David; “Palmprint Verification Using Complex Wavelet Transform”. ICIP, 2007. [9] Prasad, S. M; Govindan, V. K; Sathidevi, P. S. “Palmprint
Authentication Using Fusion of Wavelet Based Representations”. IEEE, 2009.
[10] Salvador, Adriano Caliman; “Registro automático de imagens utilizando pixels de baixa freqüência de ocorrência”. In: XIV Simpósio Brasileiro de Sensoriamento Remoto, 2009, Natal. Anais…Natal: INPE, 2009, p. 7127-7134.
