implementac¸ao de um software de reconhecimento˜ … · com o intuito de resolver esta deﬁci´...

Eduardo Guse e Joao Carlos Warmling

Implementacao de um Software de ReconhecimentoAutomatico de Impressao Digital

Sao Jose – SC

Julho / 2013

Eduardo Guse e Joao Carlos Warmling

Implementacao de um Software de ReconhecimentoAutomatico de Impressao Digital

Monografia apresentada a Coordenacao doCurso Superior de Tecnologia em Sistemasde Telecomunicacoes do Instituto Federal deSanta Catarina para a obtencao do diploma deTecnologo em Sistemas de Telecomunicacoes.

Orientador:Prof. Marcelo Maia Sobral, Dr.

Co-orientador:

Profa. . Elen Macedo Lobato Merlin, Dra.

CURSO SUPERIOR DE TECNOLOGIA EM SISTEMAS DE TELECOMUNICACOES

INSTITUTO FEDERAL DE SANTA CATARINA

Sao Jose – SC

Julho / 2013

Monografia sob o tıtulo “Implementacao de um Software de Reconhecimento Automatico

de Impressao Digital”, defendida por Eduardo Guse e Joao Carlos Warmling e aprovada em 23

de julho de 2013, em Sao Jose, Santa Catarina, pela banca examinadora assim constituıda:

Prof. Marcelo Maia Sobral, Dr. Eng.Orientador

Prof. Tiago Semprebom, Dr. Eng.IFSC

Prof. Marcos Moecke, Dr. Eng.IFSC

“Ninguem e tao ignorante que nao tenha algo a ensinar;

e ninguem e tao sabio que nao tenha algo a apreender.”

— BLAISE PASCAL, 1623-1662, FILOSOFO, FISICO, MATEMATICO E ESCRITOR FRANCES

Agradecimentos

Agradecemos a Instituto Federal de Santa Catarina, campus de Sao Jose, que disponibilizou

a oportunidade da realizacao deste curso. Ao amigo Ricardo Martins que sempre nos deu muito

apoio para que este trabalho fosse realizado. Aos amigos que fizemos durante o convıvio escolar

e tambem por nossos constantes encontros, onde pudemos reforcar nossa amizade e espırito

de equipe. Ao nosso professor orientador Marcelo Sobral que sempre serviu-nos de inspiracao

pela sua sabedoria e humildade. E tambem nao podemos deixar de pensar no que cada professor

deixou para nos, nao sobre o conteudo das aulas, mas sim como pessoas. Afinal, muitos deles

tornaram-se nossos amigos, assim como o professor Ederson Torresini, nosso professor filosofo

que nos faz pensar um pouco mais para onde estamos indo. A empresa Automatiza e ao amigo

Cleber Amaral por ceder-nos um pouco de seu tempo e espaco para trabalhar. Temos certeza

que muitos outros precisariam ser citados e pedimos perdao por omiti-los.

“ Gostaria de agradecer a minha amada esposa Carla pela compreencao, amor e paciencia

durante todo o perıodo do curso, e tambem pela ajuda nos momentos difıceis. As minhas filhas

Emanuelle e Isabelle que sempre esperaram o papai com um sorriso e um abraco. A minha

mae Cecılia por ensinar o quanto o estudo e o conhecimento sao importante para a vida. Ao

amigo, Joao Carlos Warmling por saber me compreender e se mostrar sempre prestativo com

sua vontade incessante de conhecimento. ” (Eduardo Guse)

“ Agradeco aos meus pais, que me apoiaram durante todo o curso, tornando possıvel a

chegada ate aqui. Agradeco principalmente ao meu melhor amigo, e companheiro deste traba-

lho, Eduardo Guse, por me conceder a honra de acompanha-lo neste percurso. A ele tambem,

agradeco imensamente por todo apoio, paciencia e ensinamento durante o curso e principal-

mente na execucao deste trabalho. Tambem agradeco a sua esposa e famılia por permitir e

compreender todo o esforco atribuıdo a realizacao desta monografia.” (Joao Carlos Warmling)

Resumo

Atualmente muitos sistemas de identificacao biometrica estao sendo desenvolvidos, dentreeles o de impressao digital; isto porque ela permite que as informacoes sejam facilmente ex-traıdas na maioria das pessoas. Atraves da analise de uma foto capturada da impressao digitale possıvel identificar pontos singulares, conhecidos como minucias. Os tipos de minucias e sualocalizacao sao os principais elementos utilizados para a maioria dos sistemas atuais. Porem,muitas destas tecnicas nao permitem identificar a digital se estiverem fora do alinhamento dadigital cadastrada. Com o intuito de resolver esta deficiencia, este trabalho apresenta um algo-ritmo de reconhecimento de impressao digital baseado em triangulacao de minucias. Atravesde uma rede de triangulos e possıvel fazer a identificacao da digital, mesmo que ela esteja des-locada ou rotacionada. Em busca de melhores resultados duas tecnicas diferentes foram pesqui-sadas, a triangulacao de Delaunay, onde nao existe cruzamento de arestas, e a triangulacao devizinhos mais proximos (estrutura em estrela). Um sistema de correlacao analisa o formato dasarestas, angulos e os tipos das minucias nos triangulos, de forma que se possa identificar a digi-tal. Com a analise dos resultados das correlacoes pode-se definir limiares de decisao para cadatecnica aplicada. Finalmente foi verificado que as tecnicas de estrutura em estrela apresentarammelhores resultados.

Palavras-chave: Impressao Digital, Sistema Biometrico, Triangulacao, Minucias.

Abstract

There are currently many biometric identification systems under development, includingfingerprint recognizing systems. Such systems are attractive because they enable to easily obtainidentification data from most of people. From analysis of fingerprint images, it is possibleto identify some interesting points called minutiae. Their kinds and locations are the mainelements used by most of current systems. But many of those techniques are unable to identifya fingerprint if it is rotated, compared to its corresponding stored fingerprint. To solve suchlimitation, this work proposes an algorithm to recognize fingerprints based on triangulation ofminutiae. By means of a net of triangles it is possible to identify a fingerprint, even if rotated ordisplaced. Two different techniques were investigated: i) Delaunay triangulation, which avoidsintersecting edges, and ii) nearest neighbors triangulation, which generates a star topology. Inboth approaches, a correlation system analyses edge lengths, angles between edges, and kind ofminutiae, to recognize the fingerprints. Decision thresholds for each technique were determinedbased on results from the correlation analysis. Finally, it was found that better results wereobtained with the technique based on star topology.

Keywords: Fingerprint, Biometric systems, Triangulation, Minutiae.

Sumario

Lista de Figuras

Lista de Tabelas

1 Introducao p. 13

1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 14

2 Fundamentacao Teorica p. 15

2.1 Biometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 15

2.2 Reconhecimento Biometrico . . . . . . . . . . . . . . . . . . . . . . . . . . p. 15

2.3 Impressao digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 16

2.3.1 Caracterısticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 17

2.3.2 Reconhecimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 19

2.3.3 Taxa de erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 20

2.4 Algoritmos de reconhecimento baseados em minucias . . . . . . . . . . . . . p. 22

2.4.1 Sobreposicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22

2.4.2 Alinhamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22

2.4.3 Estrutura em estrela . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 23

2.4.4 Triangulacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25

2.5 Armazenamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25

3 Desenvolvimento p. 26

3.1 Aquisicao da impressao digital . . . . . . . . . . . . . . . . . . . . . . . . . p. 27

3.2 Minucias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 28

3.3 Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 29

3.3.1 Modelo Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 30

3.3.2 Modelo estrela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32

3.3.3 Ordenacao de Angulos . . . . . . . . . . . . . . . . . . . . . . . . . p. 34

3.3.4 Construcao do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . p. 35

3.4 Armazenamento e Reconhecimento de Digitais . . . . . . . . . . . . . . . . p. 36

3.4.1 Armazenamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 36

3.4.2 Reconhecimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 37

3.4.3 Correlacao de pontos . . . . . . . . . . . . . . . . . . . . . . . . . . p. 41

3.4.4 Fator de relevancia . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 41

3.5 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42

4 Testes e resultados p. 44

4.1 Testes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44

4.1.1 Interfaces de captura . . . . . . . . . . . . . . . . . . . . . . . . . . p. 46

4.1.2 Digitais artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 47

4.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49

4.2.1 Analise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 51

4.2.2 Teste adicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 53

4.3 Conclusoes dos resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 55

5 Conclusoes p. 56

Apendice A -- Pre-testes p. 58

A.1 Ferramenta de correlacao de triangulos . . . . . . . . . . . . . . . . . . . . . p. 58

A.2 Ferramenta de correlacao de pontos . . . . . . . . . . . . . . . . . . . . . . p. 59

A.3 Ferramenta de comparacao de imagens . . . . . . . . . . . . . . . . . . . . . p. 60

Apendice B -- Tabela resultados cenario I p. 62

Apendice C -- Tabela resultados cenario II p. 68

Lista de Abreviaturas p. 74

Referencias Bibliograficas p. 75

Lista de Figuras

2.1 Cristas e vales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 16

2.2 Destaque superior o nucleo, inferior o delta . . . . . . . . . . . . . . . . . . p. 17

2.3 Padroes caracterısticos dos pontos singulares (COSTA, 2001) . . . . . . . . . p. 18

2.4 Tipos de minucias (FIORENTIN, 2006) . . . . . . . . . . . . . . . . . . . . p. 18

2.5 Fluxo de processamento do mindtct . . . . . . . . . . . . . . . . . . . . . . p. 20

2.6 Taxas FAR e FRR (MALTONI et al., 2009) . . . . . . . . . . . . . . . . . . p. 21

2.7 Reconhecimento por interseccao de sobreposicao (FIORENTIN, 2006) . . . . p. 22

2.8 Alinhamento por segmento de crista (JAIN et al., 2007) . . . . . . . . . . . . p. 23

2.9 Estrutura estrelar (FENG; CAO, 2009) . . . . . . . . . . . . . . . . . . . . . p. 24

2.10 Modelo com estrela central (TEDESCO; COUTO, 2004) . . . . . . . . . . . p. 24

3.1 Digital original e rotacionada com minucias . . . . . . . . . . . . . . . . . . p. 26

3.2 Correcao da distorcao na imagem adquirida . . . . . . . . . . . . . . . . . . p. 28

3.3 Digital com minucias destacadas . . . . . . . . . . . . . . . . . . . . . . . . p. 29

3.4 Fluxograma de criacao do modelo . . . . . . . . . . . . . . . . . . . . . . . p. 30

3.5 Metodo Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 31

3.6 Modelo conexoes Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32

3.7 Area de validacao dos pontos P1 e P2 . . . . . . . . . . . . . . . . . . . . . p. 32

3.8 Modelo com conexoes em estrela . . . . . . . . . . . . . . . . . . . . . . . . p. 34

3.9 Metodo de ordenacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 35

3.10 Estrutura do Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . p. 36

3.11 Impacto da alteracao de um ponto . . . . . . . . . . . . . . . . . . . . . . . p. 38

3.12 Variacao de angulo e arestas entre dois pontos . . . . . . . . . . . . . . . . . p. 39

3.13 Area de busca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 39

3.14 Fluxograma de reconhecimento da digital . . . . . . . . . . . . . . . . . . . p. 40

3.15 Fator de relevancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42

3.16 Software Interface homem maquina . . . . . . . . . . . . . . . . . . . . . . p. 43

4.1 Interface de captura de digitais para consulta . . . . . . . . . . . . . . . . . . p. 46

4.2 Interface de captura de digitais para cadastro . . . . . . . . . . . . . . . . . . p. 47

4.3 Histograma com o numero de minucias . . . . . . . . . . . . . . . . . . . . p. 48

4.4 Histograma de angulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 48

4.5 Histograma de arestas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49

4.6 Dispersao de usuarios na configuracao 7 e variacao de busca 11, no cenario II p. 50

4.7 Distribuicao de usuarios na configuracao 7 e variacao de busca 11, no cenario II p. 51

4.8 Pontuacao por usuario no modelo estrela de 3 conexoes com distancia de 20

pixels, com consulta por 3 nos e variacao de 8%, no cenario II . . . . . . . . p. 52


pixels, com consulta por 3 nos e variacao de 8%, no cenario II . . . . . . . . p. 52


pixels, com consulta por todos os nos e variacao de 8%, no cenario II . . . . p. 54

4.11 Distribuicao de pontuacao no modelo estrela de 6 conexoes com distancia de

20 pixels, com consulta por todos os nos e variacao de 8%, no cenario II . . . p. 55

A.1 Ferramenta de correlacao de triangulos . . . . . . . . . . . . . . . . . . . . . p. 59

A.2 Ferramenta de correlacao de pontos . . . . . . . . . . . . . . . . . . . . . . p. 60

A.3 Ferramenta de comparacao de imagens . . . . . . . . . . . . . . . . . . . . . p. 61

Lista de Tabelas

2.1 Frequencia de distribuicao das minucias (MORAES, 2006) . . . . . . . . . . p. 19

4.1 Cenario I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44

4.2 Cenario II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44

4.3 Configuracao do modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 45

4.4 Variacoes do modelo selecionado . . . . . . . . . . . . . . . . . . . . . . . . p. 45

4.5 Melhores ındices, do cenario I, entre modelos propostos . . . . . . . . . . . . p. 49

4.6 Melhores ındices, do cenario II, entre modelos propostos . . . . . . . . . . . p. 50

4.7 Configuracao do modelo dos testes extras . . . . . . . . . . . . . . . . . . . p. 53

4.8 Resultados finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 53

B.1 Resultados do cenario I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 67

C.1 Resultados do cenario II . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 73

13

1 Introducao

A tecnologia cada vez mais propicia facilidade e agilidade no acesso a informacao. A

seguranca desses dados, assim como a garantia de acesso restrito a ambientes e uma grande

preocupacao nos dias atuais. Com a necessidade de limitar esses acessos criaram-se metodos

de seguranca como senha, cartao entre outros. Contudo, essas formas de autorizacao nao conse-

guem garantir a autenticidade do usuario, e tambem sao suscetıveis a perdas ou esquecimento.

Tendo em vista que existem caracterısticas fısicas que sao unicas, imutaveis e intransferıveis,

algumas tecnicas de reconhecimento foram estudadas, tais como impressao digital, ıris e facial.

A impressao digital vem sendo muito utilizada devido a facilidade de coleta da informacao.

Esta pode ser representada atraves de seus pontos de terminacoes e bifurcacoes, denominados

minucias. Numa impressao digital podem ser encontradas muitas minucias, mas a partir de um

numero mınimo ja e possıvel identificar a digital.

O processo basico de identificacao e feito comparando a imagem adquirida com as imagens

das impressoes digitais armazenadas. Esse processo pode ser lento e suscetıvel a erros de ali-

nhamento. Tambem e importante frisar que em diferentes coletas da mesma digital, e provavel

que existam perdas e adicao de minucias.

Um dos objetivos deste trabalho e desenvolver um algoritmo de pre-processamento, onde

usaremos uma triangulacao entre minucias para facilitar, agilizar e aumentar a confiabilidade

das buscas computacionais.

Uma tecnica computacional apresentada no livro (BERG; CHEONG; KREVELD, 2008) e

a triangulacao de Delaunay, que sera usada para conectar as minucias formando triangulos de

modo que as arestas nao se cruzem. As conexoes realizadas pelos triangulos criam redundancias

sobre cada ponto.

As informacoes dos triangulos serao armazenadas num banco de dados, na forma de angulo

e comprimento das arestas. Sendo assim, a consulta e baseada numa rede de conexoes, de forma

conhecida, ordenada entre os pontos.

1.1 Objetivos 14

O trabalho devera ser concluıdo com a criacao de uma aplicacao, na qual sera possıvel

cadastrar e identificar impressoes digitais.

1.1 Objetivos

O objetivo principal deste trabalho e desenvolver um software de reconhecimento de im-

pressao digital e uma interface grafica com funcionalidades de cadastro e reconhecimento au-

tomatico de digitais. Busca-se ainda:

• Desenvolver um algoritmo de preprocessamento para criacao de um modelo de relacio-

namento entre minucias utilizando tecnica de estrela e triangulacao de Delaunay;

• Desenvolver um algoritmo de busca baseado no modelo de relacionamento entre minucias;

• Integrar um leitor de impressao digital;

• Integrar um algoritmo de extracao de minucias;

15

2 Fundamentacao Teorica

2.1 Biometria

Biometria e o estudo das caracterısticas fısicas e comportamentais dos seres humanos. Es-

sas caracterısticas sao utilizadas em sistemas biometricos para reconhecimento do usuario. Con-

forme (MALTONI et al., 2009), os sistemas biometricos podem utilizar qualquer caracterıstica

do ser humano, desde que satisfaca as seguintes condicoes:

• Universalidade - Toda pessoa deve conter;

• Unicidade - Deve ser unico;

• Imutabilidade - Ser constante;

• Coletabilidade - Pode ser extraıda e mensurada.

Dentre as caracterısticas fısicas que abrangem essas condicoes estao as impressoes digitais,

geometria da palma, retina, ıris e caracterısticas faciais. Podemos citar a assinatura, a voz e o

padrao de digitacao como caracterısticas comportamentais utilizadas em sistemas biometricos.

O reconhecimento atraves da impressao digital e bastante utilizado e possui facil coletabilidade,

baixo custo e boa velocidade de resposta.

2.2 Reconhecimento Biometrico

O processo de reconhecimento segue alguns procedimentos padroes, indiferentemente da

caracterıstica utilizada.

• Captura - Etapa na qual e realizada a aquisicao e digitalizacao de uma amostra biometrica.

• Extracao das caracterısticas - Nesta parte os dados capturados sao processados. Buscando

identificar, localizar e codificar as caracterısticas biometricas da amostra.

2.3 Impressao digital 16

• Modelagem - Este processo organiza as caracterısticas adquiridas, criando um padrao de

representacao.

• Armazenamento - Arquivamento das informacoes modeladas, de forma que possam ser

facilmente recuperadas.

• Comparacao - Verificacao da correlacao entre o modelo inserido e os armazenados. Em

alguns casos e realizada uma pre-selecao para agilizar a consulta.

O reconhecimento de impressao digital e uma tecnologia recente, porem bastante popular

e pesquisado ate o momento. A popularizacao dos equipamentos se deve ao elevado poder

de processamento dos dispositivos embarcados e pelo constante estudo por algoritmos mais

rapidos e eficientes. Dentre as aplicacoes mais comuns podemos citar:

• Ciencia forense - Identificacao criminal;

• Ponto eletronico - Garante que o trabalhador esteja presente;

• Controle de acesso - Identificacao de entrada e saıda de pessoas;

• Auto atendimento bancario - Autenticacao do usuario.

2.3 Impressao digital

Datiloscopia e o estudo dos dedos. As polpas dos dedos possuem saliencias que sao conhe-

cidas por linhas ou cristas papilares. A cavidade entre duas cristas e denominado sulco interpa-

pilar ou vale. Conforme identificado na figura 2.1. O conjunto dessas formacoes epidermicas

constituem a impressao digital. As direcoes e interrupcoes das cristas papilares criam estru-

turas que caracterizam a unicidade do indivıduo. Essas formacoes podem ser utilizadas para

classificacao e para identificacao.

Figura 2.1: Cristas e vales


2.3.1 Caracterısticas

Dentre as caracterısticas da impressao digital podemos citar os pontos singulares e as

minucias como sendo as mais utilizadas em sistemas de reconhecimento.

Pontos Singulares

As singularidades sao utilizadas principalmente para classificacao. De acordo com (AN-

SELMO, 2011), apud WANG 2004 os pontos singulares usados para classificacao sao os nucleos

e deltas. (COSTA, 2001) afirma que o nucleo e o ponto localizado na area central da impressao

digital, e que os deltas sao angulos ou triangulos formados pela bifurcacao de uma crista pa-

pilar ou atraves da abrupta divergencia de duas linhas papilares paralelas. Na figura 2.2 estao

destacadas essas caracterısticas.

Figura 2.2: Destaque superior o nucleo, inferior o delta

De acordo com os padroes de nucleos e deltas encontrados na digital os mesmos podes ser

classificados como arco, presilha ou verticilo, conforme ilustrado na figura 2.3


Figura 2.3: Padroes caracterısticos dos pontos singulares (COSTA, 2001)

Minucias

As varias formas que as cristas podem apresentar numa impressao digital criam padroes

distintos denominados minucias. Dentre os padroes encontrados temos os pontos, terminacoes,

bifurcacoes, ilhas, esporas, cruzamentos, pontes e cristas curtas, conforme ilustrado na figura

2.4.

Figura 2.4: Tipos de minucias (FIORENTIN, 2006)

(MORAES, 2006) reporta que Richard Edward Henry realizou um estudo e diagnosticou

a media de distribuicao de minucias da digital sintetizadas na tabela 2.1. As bifurcacoes e

terminacoes representam quase 80% dos pontos, por isso, elas sao as mais utilizadas em siste-

mas de reconhecimento.


Tipos de Minucias % do total de minucias Minucias por impressao

Pontos 4.3 18

Terminacoes 60.6 258

Bifurcacoes 17.9 76

Ilhas 0.7 3

Esporas 4.7 20

Cruzamentos 3.2 14

Pontes 2.5 10

Cristas curtas 6.1 26

Tabela 2.1: Frequencia de distribuicao das minucias (MORAES, 2006)

2.3.2 Reconhecimento

O reconhecimento da impressao digital e feito atraves de comparacoes entre a amostra e as

informacoes armazenadas. A comparacao pode ser realizada de tres formas:

• Correlacao em sobreposicao - Duas imagens sao sobrepostas e o reconhecimento e medi-

ante a correlacao entre ambas.

• Caracterısticas das cristas - Sao utilizadas caracterısticas extraıdas das cristas papilares

como frequencia, orientacao local, forma e textura (FALGUEIRA, 2008).

• Casamento de minucias - Apos a identificacao das minucias e realizado um mapeamento

bidimensional dos pontos. Este e utilizado para comparacao, buscando o maior numero

de pontos correlacionados. Segundo (MALTONI et al., 2009), o guia forense dos EUA

afirma que 12 pontos em comum sao suficientes para o reconhecimento de uma digital.

Sistema de deteccao de minucias

No pacote de codigo aberto NIST Biometric Image Software (NBIS), esta contido o mindtct

que e um sistema usado para deteccao de minucias. As minucias sao detectadas em terminacoes

ou bifurcacoes, e sua localizacao, tipo, orientacao e qualidade sao armazenadas e utilizadas para

pesquisa. O processamento de entrada e saıda do mindtct e apresentado na figura 2.5 e o arquivo

de saıda “arquivo.min” esta formatado num padrao internacional.

O processamento usado pelo mindtct e bem complexo e nao entra no escopo deste trabalho.


Para detalhes de funcionamento o guia “User’s Guide to NIST Biometric Image Software” pode

ser consultado, assim como o seu codigo fonte.

Figura 2.5: Fluxo de processamento do mindtct

Adversidades

Existem muitas dificuldades inseridas no processo de reconhecimento da digital. Todo

algoritmo de reconhecimento deve, ao menos, tentar prever o deslocamento, rotacao, parciali-

dade, sujeira, area de contato, pressao no coletor, distorcao nao linear entre outros problemas.

Algumas dessas adversidades podem gerar falsas minucias ou a exclusao de pontos validos.

2.3.3 Taxa de erros

Os algoritmos de reconhecimento efetuam a validacao baseados em um limiar de similari-

dade. Apesar da caracterıstica de unicidade da impressao digital, as adversidades podem levar

o algoritmo a tomar uma decisao errada. A eficiencia do algoritmo pode ser medida sobre


diversos indicadores. Os principais sao as taxas de falsa aceitacao e rejeicao.

• Taxa de falsa aceitacao - False Acceptance Rate (FAR) e a proporcao de vezes que o

algoritmo valida uma impressao nao cadastrada. Ou seja, a taxa e referente a aceitacao de

pessoas nao cadastradas sobre a aceitacao de usuarios validos.

• Taxa de falsa rejeicao - False Reject Rate (FRR) e a taxa relativa ao nao reconhecimento

de uma impressao cadastrada. Em outras palavras e a proporcao de vezes em que usuarios

validos sao rejeitados pelo sistema.

A figura 2.6 demonstra as curvas de distribuicao de digitais genuınas e impostoras. E

possıvel observar que elas se cruzam no centro, formando um regiao onde normalmente se

localiza o limiar de decisao. De forma geral, podemos dizer que quanto mais distante as duas

distribuicoes estao melhor e o algoritmo, pois e possıvel discernir com mais precisao as digitais

genuınas das impostoras.

Figura 2.6: Taxas FAR e FRR (MALTONI et al., 2009)

Movendo o limiar para a esquerda ou direita do grafico, pode-se definir um limiar mais

permissivo ou restritivo.

Muitos algoritmos utilizam um sistema de peso para cada similaridade encontrada no mo-

delo. A soma dos pesos encontrados determina o nıvel de decisao. Se este nıvel for maior que

o limiar, esta digital sera aceita.

2.4 Algoritmos de reconhecimento baseados em minucias 22

2.4 Algoritmos de reconhecimento baseados em minucias

Atualmente, existem diversos algoritmos de reconhecimento que utilizam minucias. A

sobreposicao, alinhamento, estrutura em estrela e triangulacao sao alguns exemplos que usa-

mos como inspiracao para o desenvolvimento proposto.

2.4.1 Sobreposicao

Este tipo de tecnica, basicamente, faz a identificacao de areas comuns em imagens sobre-

postas. Um exemplo sao os sistemas de sobreposicao baseados em processos morfologicos,

conforme demonstrado por (FIORENTIN, 2006). Nesse caso, e aplicado a dilatacao nos pontos

de localizacao das minucias. A dilatacao e uma tecnica que aumenta a area de um componente.

Apos essa transformacao e entao realizada a sobreposicao da nova imagem com a armazenada,

sendo validado pontos em que ocorra interseccao, como ilustrado na figura 2.7. Dessa forma e

possıvel corrigir apenas pequenas variacoes, porem e suscetıvel aos demais incidentes de coleta.

Figura 2.7: Reconhecimento por interseccao de sobreposicao (FIORENTIN, 2006)

2.4.2 Alinhamento

Uma das tecnicas desenvolvidas que visam sanar a translacao e a rotacao e o alinhamento.

Um estudioso dessa tecnica e (JAIN et al., 2007), que propos o alinhamento utilizando a minucia

e as informacoes sobre a crista associada a esta. Nesta tecnica, a crista e dividida em segmentos


de retas que sao utilizadas para o alinhamento com o modelo, conforme ilustrado na figura 2.8.

Figura 2.8: Alinhamento por segmento de crista (JAIN et al., 2007)

Apos o alinhamento a comparacao entre os modelos e feita por meio de um sistema de

coordenadas polares. O autor conclui que e mais facil trabalhar com as informacoes no sistema

de coordenada polar. A tecnica de comparacao proposta por este autor visa compensar erros de

localizacao e distorcoes nao lineares.

Baseado no metodo de Jain, (WEI et al., 2006) tambem desenvolveram uma tecnica de

validacao com um sistema de coordenadas polares. As modificacoes foram realizadas com o

intuito de melhorar o desempenho da tecnica de alinhamento. Para o alinhamento e necessario

extrair informacoes como coordenadas x e y, orientacao local da crista, o tipo de minucia e o

grau de conexao direta com as outras minucias.

2.4.3 Estrutura em estrela

(FENG; CAO, 2009) definem uma estrutura em estrela como uma minucia analisada e suas

minucias vizinhas, dentro de um raio determinado. Os autores ressaltam a importancia de deli-

mitar a area de vizinhanca de um ponto, para isso propoem tracar uma circunferencia em torno

do ponto de interesse. O desafio passa entao a ser o de determinar um raio adequado, pois se

a circunferencia for muito abrangente podera haver distorcoes lineares, se for muito pequena

pode nao haver pontos vizinhos suficientes para gerar as conexoes. Na figura 2.9 e possıvel

analisar o ponto P conectado com os vizinhos Q, que se encontram dentro de um raio r.


Figura 2.9: Estrutura estrelar (FENG; CAO, 2009)

As informacoes utilizadas pelo algoritmo sao as coordenadas x e y, e tambem a direcao da

minucia. Estas sao armazenadas de forma ordenada em uma lista para posterior comparacao.

Este sistema e capaz de realizar a identificacao mesmo que a imagem sofra rotacao ou desloca-

mento. Contudo, as falsas minucias impoe uma dificuldade na validacao.

Uma tecnica semelhante e apresentada por (TEDESCO; COUTO, 2004). Porem, ao inves

de trabalhar com estruturas locais e utilizado somente uma estrela. O ponto central e o nucleo,

como demonstrado na figura 2.10. Nos testes reportados pelos autores o mapeamento das

minucias foi prejudicado apos rotacao, o que causou dificuldades na comparacao. Apesar de

aparentemente tratar rotacao e deslocamento, esta tecnica e sensıvel a parcialidade e distorcoes

nao-lineares.

Figura 2.10: Modelo com estrela central (TEDESCO; COUTO, 2004)

(MAZETTI, 2006) propos uma tecnica baseada em Tedesco. Para calcular o ponto central

da estrela foi sugerido encontrar o centro da massa no plano cartesiano no qual estao dispostas

2.5 Armazenamento 25

as minucias. A informacao salva para validacao e o calculo da distancia euclidiana das minucias

ate o centro. A identificacao e feita atraves de deslocamento do vetor de distancias buscando

uma relacao com a base de dados, mas seu ponto fraco sao as falsas minucias e a parcialidade,

que dificultam o processo de reconhecimento.

Outros autores que desenvolveram validacao por meio de estrutura em estrela foram (REYES;

HAM; PEREIRA, 2007). Seu algoritmo utiliza a comparacao atraves da similaridade entre bor-

das e vertices adjacentes. Para formacao da malha eles aplicam a triangulacao de Delaunay.

2.4.4 Triangulacao

Uma proposta tambem utilizada para reconhecimento biometrico e a tecnica de triangulacao.

Esta tecnica e semelhante a estrutura em estrela, onde as minucias sao conectadas entre si for-

mando triangulos. De cada triangulo sao retiradas informacoes como as distancias entre os

pontos e os angulos de abertura entre essas conexoes. Uma justificativa para este processo e o

fato que algumas informacoes do triangulo sao constantes, independente de rotacao e translacao.

(FIORENTIN, 2006) expos um metodo de triangulacao entre todas as minucias encontra-

das, desde que tivessem uma distancia mınima, um angulo mınimo e um angulo maximo. A

comparacao ocorre entre todos os triangulos das imagens analisadas, prevendo uma margem de

tolerancia para compensar as distorcoes.

2.5 Armazenamento

Em sistemas de reconhecimento biometrico o acesso as informacoes armazenadas e crucial

para a eficacia do algoritmo.

Os dados modelados devem ser mantidos em sistemas que permitam um acesso rapido e

facil. Geralmente, aplicacoes com essa necessidade utilizam estruturas de bancos de dados para

o armazenamento das informacoes. Banco de dados sao colecoes de dados que se relacionam

de forma que crie um sentido, (WIKIPEDIA, 2012). Essas ferramentas de armazenamento sao

utilizadas atraves de Sistema Gerenciadores de Bancos de Dados (SGBD)

Um SGBD ja consolidado, e que sera utilizado, e o MySQL. O MySQL e um sistema

de banco de dados gratuito que prove velocidade, confiabilidade e escalabilidade. Utiliza a

linguagem Structured Query Language (SQL) para acesso as suas informacoes.

26

3 Desenvolvimento

Este trabalho implementa um sistema de captura, armazenamento e reconhecimento de

impressao digital. A modelagem utilizada e baseada em minucias e a identificacao e a extracao

ocorrera atraves de integracao com bibliotecas de codigo aberto. Uma das motivacoes deste

trabalho e a elaboracao de um algoritmo robusto contra as adversidades impostas pelos sistemas

de identificacao por impressao digital.

A tecnica desenvolvida e baseada em conexoes entre as minucias de forma que criem uma

rede. Cada tres pontos interligados formam a figura de um triangulo e cada triangulo mantem

sua forma original independentemente de sua posicao ou rotacao. Esta rede e analisada do ponto

de vista de cada no em relacao aos demais, e pode ser vista como varias estrelas. O numero de

conexoes de cada no pode ser fixo ou variavel se for usado a triangulacao de Delaunay. Assim,

conforme ilustrado na figura 3.1 a digital pode estar deslocada e/ou rotacionada que os angulos

entre as arestas e o seu comprimento permanecerao fixos.

Estes angulos e arestas, que caracterizam a impressao digital, sao armazenados em banco

de dados e facilitam a busca durante o processo de identificacao.

(a) Digital com triangulacao de Delaunay (b) Digital (rotacionada) com triangulacao de De-

launay

Figura 3.1: Digital original e rotacionada com minucias

3.1 Aquisicao da impressao digital 27

Ferramentas necessarias para desenvolvimento do projeto:

• Ubuntu Linux 32 bits - Sistema operacional para suportar as aplicacoes;

• Leitor Digital Personar 4000 - Leitor para captura de impressao digital;

• Biblioteca libfprint - Usada para capturar as impressoes digitais do leitor;

• Programa convert - Programa de manipulacao de imagens via linha de comando, faz parte

da suıte de ferramentas ImageMagick, usado para tratamento de imagens;

• Software NIST Biometric Image Software (NBIS) - Utilizado para extracao de minucias.

• MATLABr R2008a - Matrix Laboratory - E um ambiente de computacao numerica que

permite manipulacoes de matrizes, plotagem de funcoes e dados, implementacao de algo-

ritmos, criacao de interfaces de usuario e interface com os programas escritos em outras

linguagens. O trabalho sera desenvolvido sobre esta plataforma, integrando com os de-

mais aplicativos atraves das interfaces disponibilizadas pelo proprio MATLABr.

• MySQL Server Version 5.1 - Banco de dados relacional de codigo aberto que fornece

acesso multi-usuario. Esta aplicacao sera utilizada para armazenamentos das digitais,

para consulta.

3.1 Aquisicao da impressao digital

A aquisicao, das imagens das impressoes digitais, e realizada atraves de um leitor biometrico

Digital Personar 4000. Para acionar o leitor utiliza-se uma funcao da biblioteca libfprint. Foi

extraıda somente a funcao img capture da biblioteca, pois somente a interface com o leitor e

a aquisicao da imagem sao necessarios para o trabalho. O codigo fonte foi alterado para que

apenas realizasse o processo de captura da digital.

O leitor usado apresenta uma distorcao da imagem capturada e isto afeta a distancia entre

as minucias quando a digital e rotacionada. E importante fazer-se uma correcao para que o

algoritmo possa localizar as impressoes digitais em qualquer angulo de captura. A distorcao

e inserida devido a tecnologia de posicionamento do sensor Charge-Coupled Device (CCD)

e do prisma. Para o calculo da correcao da distorcao capturou-se a imagem de uma grade

quadrangular e mediu-se a posicao de pontos conhecidos. Estes pontos sao passados como

parametro para o programa convert do pacote imageMagick que manipula a imagem e corrige

3.2 Minucias 28

esta distorcao. Pode-se observar que na figura 3.2(a) a grade possui distorcoes, utilizando o

convert foi possıvel a correcao, conforme ilustrado na figura 3.2(b).

(a) Grade com distorcoes (b) Grade corrigida

Figura 3.2: Correcao da distorcao na imagem adquirida

3.2 Minucias

A obtencao das minucias e realizada atraves da utilizacao do programa mindtct que faz parte

do software NBIS. Conforme descrito na subsecao 2.3.2 este executavel disponibiliza em sua

saıda um arquivo formatado no padrao ANSI INCITS 378-2004 e cada linha representa uma

minucia e os campos estao separados pelo caracter “:” ficando num formato semelhante a este:

“MN : MX, MY : DIR : REL : TYP : FTYP : FN : NX1, NY1; RC1 : ...”.

Neste trabalho utiliza-se os campos: “MX, MY” que contem a informacao de localizacao,

“REL” a qualidade e “TYP” o tipo da minucia. A qualidade e calculada usando informacoes de

contraste, fluxo de linhas, curvatura e intensidade do pixel em relacao a vizinhanca. Os resulta-

dos podem variar de 1 a 99%. Um valor baixo de qualidade representa uma minucia detectada

numa regiao de baixa qualidade de imagem, enquanto um alto valor de qualidade representa

uma minucia detectada numa regiao de maior qualidade. Verificou-se que uma qualidade de

20% traz bons resultados na selecao das minucias, onde e possıvel descartar as terminacoes das

bordas e nao ter perdas significativas.

Apos o processamento, a representacao das minucias e disponibilizada em forma de co-

ordenadas de um plano bidimensional. Na figura 3.3 esta disposta uma digital adquirida pelo

3.3 Modelo 29

leitor Digital Personar e estao destacadas as posicoes identificadas pelo algoritmo.

Figura 3.3: Digital com minucias destacadas

3.3 Modelo

Para criar o modelo propoe-se usar uma rede de conexoes de minucias. Com o intuito de

comparar a performance com exclusao ou adicao de minucias, duas tecnicas diferentes serao

testadas. A primeira e a triangulacao de Delaunay que cria uma rede com numero variavel de

conexoes. A segunda tecnica que se propoe, parte do ponto de vista de como a rede poderia ser

implementada. Para facilitar o entendimento, denominar-se-a esta tecnica como conexao em

estrela.

Nessa proposta criou-se uma rede com numero fixo de conexoes, desenvolveu-se modelos

com redes de tres, quatro e cinco conexoes. Quando utilizada a estrela descartou-se alguns

pontos muito proximos do no de origem de forma a diminuir os erros por distorcoes. O limiar

de descarte e calculado a partir das distancias euclidianas e da margem de erro por distorcao. E

importante frisar que um no e a minucia de referencia e os pontos sao todas as outras.

A seguir se aborda as duas tecnicas para criar a rede de conexao. O fluxograma da figura

3.4 demonstra simplificadamente o algoritmo de processamento.

3.3 Modelo 30

Figura 3.4: Fluxograma de criacao do modelo

3.3.1 Modelo Delaunay

A triangulacao de Delaunay e uma tecnica que conecta cada no de forma que nao haja

cruzamento entre as arestas. O MATLABr fornece a funcao delaunay(X,Y) que recebe duas

matrizes, uma com as coordenadas do eixo X e outra com as do Y, e retorna uma lista com as

ligacoes que devem ser feitas entre cada no.

Num exemplo usando MATLABr criou-se duas matrizes, X=[3,7,10] e Y=[2,5,4] que re-

presentam as coordenadas de um plano, dispostas na figura 3.5(a). As variaveis sao processadas

com a funcao tri = delaunay(X,Y) e se tem como resposta tri = [2,1,3]. Ou seja, apenas o

triangulo disposto na figura 3.5(b) foi criado, e a variavel tri contem o ındice dos pontos esco-

3.3 Modelo 31

lhidos para serem os vertices do triangulo. Em outro exemplo mostrado na figura 3.5(c) usou-se

as matrizes X=[3,7,10,5] e Y=[2,5,4,2] e, apos o processamento, a variavel tri sera [1,4,2 ;

4,3,2]. Nesse caso, criou-se dois triangulos mostrados na figura 3.5(d).

(a) Modelo com tres pontos (b) Triangulacao entre tres pontos

(c) Modelo com quatro pontos (d) Triangulacao entre quatro pontos

Figura 3.5: Metodo Delaunay

Neste caso, a variavel tri foi usada para criar celulas onde ficam armazenados todos os

pontos de conexao. Usando os dados do segundo exemplo ve-se que o no 1 esta ligado com os

pontos 2 e 4; o no 2 com os pontos 1, 3 e 4; o no 3 com 2 e 4 e, finalmente, o no 4 com os

pontos 1, 2 e 3.

Esta celula que contem toda a rede de conexao dos pontos sera passada para a etapa de

ordenacao dos angulos da secao 3.3.3.

Quando se tem muitos pontos no plano, uma questao importante a ser observada e que o

numero de conexoes de cada no pode ser variavel. A figura 3.6(b) mostra uma rede de conexoes

completa de uma digital e a figura 3.6(a) ilustra um caso de um no conectado com apenas dois

pontos e outro com seis pontos.

3.3 Modelo 32

(a) Nos com duas e seis conexoes (b) Rede completa

Figura 3.6: Modelo conexoes Delaunay

3.3.2 Modelo estrela

O modelo estrela cria a rede de conexoes de forma mais simples, analisando apenas a

distancia de um ponto em relacao a todos os outros e escolhendo os mais proximos. As medi-

das de distancia dos pontos sao dadas em pixeis (px). Para que um ponto seja utilizado, uma

distancia mınima deve ser alcancada, de forma a absorver as variacoes inseridas pelo processo

de extracao de minucias e das adversidades. Considerou-se que durante a extracao de minucias

um ponto pode conter variacoes de ate ±2 px em sua posicao, e o efeito das adversidades pode

inserir distorcoes de ate ±5% em um ponto. Por exemplo, considerando uma imagem com

resolucao de 300x400 px onde a distancia maxima entre dois pontos podera ser de ate 500 px.

Neste caso, o ponto podera sofrer uma variacao absoluta de ±25 px.

Sendo assim, estimou-se que para um ponto a 500 px de distancia e com uma distorcao de

±5% uma variacao de ±25 px devera ser tolerada. Na figura 3.7 pode-se visualizar o ponto P1

e P2 como sendo a menor e maior distancia do ponto P.

Figura 3.7: Area de validacao dos pontos P1 e P2

Usando e equacao 3.1 calculou-se a distancia do ponto P em relacao a P1 sendo que o raio

e de 2 px.

3.3 Modelo 33

y1x1

=y2x2

(3.1)

Usando valores para y2 = 25, x2 = 500 e y1 = 2 obteve-se x1 = 40, que representa a distancia

mınima do ponto de referencia analisado.

Apos selecao dos pontos mais proximos uma celula e criada, semelhante a proposta em

3.3.1 Modelo Delaunay.

Demonstrar-se-a nos testes o impacto causado por redes com nos de tres, quatro e cinco co-

nexoes e como se comporta o reconhecimento considerando as adversidades. Nas figuras 3.8(b),

3.8(d) e 3.8(f) ve-se uma rede completa com nos de tres, quatro e cinco conexoes, respectiva-

mente. Estas figuras sao geradas a partir da sobreposicao de todos os nos. Ilustrativamente,

temos nas 3.8(a), 3.8(c) e 3.8(e) um exemplo de um no conectando tres, quatro e cinco pontos

e um cırculo que delimita um area de distancia mınima, ou seja, pontos dentro do circulo sao

descartados.

Deve-se lembrar que uma vez escolhido o numero de conexoes, esta configuracao nao pode

ser alterada, pois nao existe compatibilidade entre os processos de busca.

3.3 Modelo 34

(a) Destaque de um no com tres conexoes (b) Rede completa de tres conexoes

(c) Destaque de um no com quatro conexoes (d) Rede completa de quatro conexoes

(e) Destaque de um no com cinco conexoes (f) Rede completa de cinco conexoes

Figura 3.8: Modelo com conexoes em estrela

3.3.3 Ordenacao de Angulos

A ordenacao tem o objetivo de organizar os pontos encontrados de forma que sempre se

apresentem na mesma ordem. Eles nao precisam ter o mesmo numero de ordenacao e sim a

mesma sequencia. Isso garante que um no seja imune a rotacao da imagem.

3.3 Modelo 35

Faz-se-a ordenacao tracando uma linha horizontal infinita, tendo o ponto P como origem.

Entao, desenhou-se uma linha entre P e todos os outros pontos e calculou-se seus angulos

ordenando-os do menor para o maior. Para finalizar a ordenacao falta apenas calcular o angulo

relativo entre cada ponto vizinho, sendo que para isso basta fazer a subtracao do angulo maior

pelo menor. Como exemplo, tem-se na figura 3.9(a) o no 2 conectado com os pontos 1, 3 e 4 e

a figura 3.9(b) mostra como fica a ordenacao do no 2, chamado aqui de P.

(a) Ligacoes do Ponto 2 (b) Ordenacao

Figura 3.9: Metodo de ordenacao

3.3.4 Construcao do Modelo

O modelo final e representado por um conjunto de celulas que sao montadas com dados

oriundos da lista de conexao e da lista de vizinhos com seus respectivos angulos. Alem dessas

informacoes, os tipos das minucias que formam os triangulos sao utilizados para calcular o tipo

do triangulo. Podendo ter oito combinacoes que sao usadas para classifica-los.

A organizacao estrutural e feita de forma a facilitar a gravacao e recuperacao das informacoes

no banco de dados, e o numero total de celulas basicas que uma digital possui e o mesmo numero

do total de conexoes. Uma celula basica representa apenas um triangulo dos diversos que um

no possui e contem os dados a seguir:

• Numero do ponto P;

• Numero do ponto vizinho 1;

• Numero do ponto vizinho 2;

• Tipo do triangulo;

3.4 Armazenamento e Reconhecimento de Digitais 36

• Angulo do vertice do ponto P;

• Distancia do ponto P ate o vizinho 1;

• Distancia do ponto P ate o vizinho 2.

3.4 Armazenamento e Reconhecimento de Digitais

Neste momento resgatam-se algumas ideias sobre o sistema e as digitais do usuario. Um

dos objetivos do sistema proposto e identificar um usuario dentre varios cadastrados no sistema

de reconhecimento. Se for usado um simples armazenamento da imagem da impressao digital

pode-se ter um processo de busca lento. Isso se deve principalmente ao fato de que precisa-

se recuperar imagem por imagem e extrair suas informacoes para depois comparar com as do

usuario.

Uma maneira de tornar a busca mais rapida e pensando na natureza das informacoes que se

esta armazenando. Isto e, analisando que as pessoas possuem digitais, e estas contem minucias

que, por sua vez, podem ser relacionas geometricamente na forma de triangulos, conforme

detalhado no secao 3.3.

Partindo desse ponto de vista criou-se uma base de dados estruturada com tabelas de usuarios,

digitais, minucias, nos e triangulos, conforme figura 3.10.

Figura 3.10: Estrutura do Banco de Dados

3.4.1 Armazenamento

Na etapa de armazenamento, as informacoes a serem gravadas estao no modelo produzido

na etapa anterior. Considera-se que ja foi realizada uma verificacao de duplicidade da digital no

banco de dados.


Primeiramente insere-se um usuario e recupera-se o campo id usuario do banco de dados.

Essa informacao e usada para fazer o relacionamento com a digital. Um mesmo usuario pode

ter diversas digitais, mas por questao de simplificacao usou-se um usuario por digital.

O segundo passo e cadastrar a digital, aqui se inseriu o id usuario, o dedo, as informacoes

de quantos nos ou minucias existem na digital e a imagem capturada. Apos, recuperou-se o

id digital.

Na sequencia sao salvas no banco de dados as informacoes da minucia, sendo o id digital,

coordenadas X e Y, e tambem o tipo da minucia.

O quarto passo ja traz um nıvel de complexidade maior, pois precisou-se fazer uma lista

com todos os nos e cadastra-los um a um. Os campos id nos recuperados precisam ser alocados

em memoria numa tabela onde se relacionam com os numeros internos.

O ultimo passo utiliza esta tabela em memoria para substituir os numeros internos dos nos

pelos id nos do modelo e assim grava-los no banco de dados.

3.4.2 Reconhecimento

Para o procedimento de reconhecimento e necessario que a digital tenha o mesmo modelo

das digitais cadastradas, ou seja, modelo Delaunay ou estrela com distancia mınima igual.

Com o uso do modelo buscou-se resolver os problemas de rotacao e deslocamento, mas as

distorcoes, adicao e exclusao de pontos precisam ser relevadas no momento na busca.

Quando um no esta em analise e existe a perda de pelo menos um ponto, ate tres triangulos

podem ser perdidos, mas o ponto ainda pode ser identificado pelos triangulos de outros nos. Na

figura 3.11(a) vemos um exemplo de um modelo estrela de cinco conexoes e na figura 3.11(b)

o efeito da adicao de uma nova minucia.


(a) Estrela original (b) Estrela com ponto adicionado e perdido

Figura 3.11: Impacto da alteracao de um ponto

Outra questao a ser tratada e a variacao de posicionamento de pontos devido as distorcoes.

Nessas situacoes, uma busca por valores fixos sera totalmente nula. Entao uma faixa de valores

e gerada para fazer a busca no banco de dados. A area de busca pode ser definida como sendo

uma tolerancia da variacao de posicionamento de um ponto. Para definir a area de busca, um

valor deve ser setado entre 0 e 0,2, sendo 0 nenhuma variacao e 0,2 para 20%. Quanto mais

longe um ponto esta de outro, maior e a abrangencia da busca. Considerando uma distancia d e

uma variacao f, as distancias e angulos podem ser calculadas conforme equacoes 3.2, 3.3 e 3.4:

Dmin = d ∗ (1− f ) (3.2)

Dmax = d ∗ (1+ f ) (3.3)

Θ =±atan( f ) (3.4)

O Φ e o angulo gerado entre as arestas de P1 e P2. A variacao do angulo de busca e definida

entre os limites de Φmin e Φmax, conforme equacoes 3.5 e 3.6.

Φmin = Φ−Θ1−Θ2 (3.5)

Φmax = Φ+Θ1+Θ2 (3.6)

Conforme mostrado na figura 3.12, pode-se observar que, para um triangulo formado pelos


pontos P, P1 e P2, a busca computacional sera por arestas de tamanho Dmin1 ate Dmax1, Dmin2

ate Dmax2 e angulos de Φmin ate Φmax, alem do tipo do triangulos.

Figura 3.12: Variacao de angulo e arestas entre dois pontos

Durante os pre-testes, verificou-se que f variando de 0,05 a 0,1 apresenta os melhores re-

sultados e serao comparados no capıtulo 4. Na figura 3.13 e possıvel observar um exemplo de

minucias num plano e as respectivas areas de busca setadas em 0,05 e 0,1.

(a) Area de 5% (b) Area de busca de 10%

Figura 3.13: Area de busca

Mesmo com a faixa de tolerancia, e possıvel que nem todos os triangulos consigam ser

identificados. Outro fator importante a ser considerado no retorno da consulta e que triangulos

de outras digitais podem se encaixar na busca.

Sendo assim, desenvolveu-se uma validacao usando um metodo de reconhecimento por

pontuacao por correlacao de pontos. A figura 3.14 ilustra o fluxograma de analise para validacao

de uma digital.


Figura 3.14: Fluxograma de reconhecimento da digital

Apos processamento da imagem, extracao das caracterısticas e criacao do modelo, inicia-se

o processo de busca. Inicialmente e criado uma lista ordenando as minucias a serem procuradas

no banco de dados.

Para o modelo estrela, criou-se uma lista, denominada lista modelo baseada no conceito

que um triangulo mais centralizado podera estar sofrendo menos distorcoes caracterısticas da

coleta. A lista de nos do modelo da digital e usada para calcular a media das coordenadas X e Y.

A lista com todos os nos e gerada e ordenada pela proximidade com esta media. No modelo de

Delaunay a lista sera ordenada pelos nos com maiores numeros de conexao, visando um ponto

que tem mais chances de ser correlacionado.

O primeiro no da lista modelo e usado para fazer uma busca de seus triangulos associados

no banco de dados. A lista de retorno denominada lista de suspeitos e ordenada de forma a

mostrar primeiro os nos que tiveram maior numero de coincidencias. Nesse ponto, e realizada

uma consulta no banco de dados por todos os triangulos desse no suspeito.

Com os modelos completos das duas digitais, realiza-se uma validacao por correlacao de

pontos, que e explanada na secao 3.4.3. Apos a correlacao, e realizado um calculo de fator de


relevancia, descrito na 3.4.4 para enfim decidir se o suspeito e o usuario em questao. Caso atinja

uma valor mınimo, o usuario e reconhecido. Caso contrario, o algoritmo ira retornar e buscar

o proximo no da lista modelo e refazer o processo, ate encontrar o usuario ou caso finalizar a

lista.

3.4.3 Correlacao de pontos

A correlacao de pontos e baseada na comparacao dos triangulos do modelo armazenado

com o modelo adquirido atraves de uma imagem ou da captura direta do leitor de digitais. Cada

ponto da digital pode ser uma terminacao ou uma bifurcacao, e cada triangulo e composto de

tres pontos. Desta forma, tem-se oito tipos diferentes de combinacao. Para cada combinacao

arbitrou-se um numero, que e usado para classificar os triangulos.

Durante a comparacao dos triangulos, verifica-se o tipo, o comprimento de duas arestas e o

angulo entre estas arestas. A comparacao e feita comparando todos os triangulos de um modelo

com todos do outro modelo, de forma que se saiba quais triangulos possuem o mesmo tipo e

tamanho.

No processo de comparacao e comum aparecerem triangulos autenticos assim como triangulos

impostores. Opcionalmente, o codigo preve a eliminacao dos triangulos onde nao ha certeza de

autenticidade. O resultado da comparacao cria um indice de correlacao entre os triangulos de

um modelo em relacao ao outro.

Este ındice e usado para correlacionar os pontos envolvidos nos triangulos e criar uma lista.

A lista contem os pontos correlacionados e o numero de vezes que cada correlacao apareceu.

3.4.4 Fator de relevancia

No processo final de reconhecimento, um peso e dado para cada no reconhecido e uma

media e feita para formar uma nota final da digital. O fator de relevancia e usado para dar

uma importancia maior para os nos que contenham mais conexoes em relacao aos que tenham

menos. O que se quer dizer e que, se um no tem cinco conexoes e cinco foram confirmadas ele

e mais relevante que um no que tem tres conexoes e tres foram confirmadas. Tambem, que um

no que tem cinco conexoes e tres foram confirmadas e menos relavante que um no que tem tres

conexoes e as tres foram confirmadas.

O fator e calculado em duas etapas. Na primeira, a equacao 3.7 da mais relevancia para

quem atingiu ao menos a metade das conexoes, sendo A o numero de nos confirmados e B o

3.5 Software 42

numero de conexoes do no. Na segunda etapa, a equacao 3.8 da um peso maior para quem tem

mais conexoes. Com o objetivo de minimizar a influencia de nos impostores, valores de X que

forem menores que 1 serao zerados. Estas equacoes foram definidas simulando valores para A

e B variando de 1 a 10 e observando a figura 3.15.

X =

(AB∗2)2

(3.7)

Fator =

{X ∗1.2B se X ≥ 1

0 se X < 1(3.8)

Figura 3.15: Fator de relevancia

3.5 Software

Na interface com usuario chamada Interface Homem Maquina (IHM), apresentada na figura

3.16, e possıvel fazer a conexao com o banco de dados, cadastrar e consultar uma imagem. A

imagem pode ser adquirida de um arquivo ou capturada diretamente do leitor de digitais. Num

painel ao lado, a imagem e apresentada ao usuario e noutro painel um grafico de correlacao e

mostrado durante a consulta. Em outra caixa de texto, as mensagens do sistema sao mostradas.

3.5 Software 43

No painel “Banco Dados” encontram-se os botoes que permitem a conexao e desconexao

com o banco de dados. Apos conectado e possıvel executar uma consulta ou cadastrar uma nova

digital.

Figura 3.16: Software Interface homem maquina

Durante o desenvolvimento deste trabalho, percebeu-se a necessidade de se criar ferramen-

tas de estudo e depuracao de codigo e tambem de limiarizacao de parametros para execucao.

Estas ferramentas estao reportadas no apendice A.

44

4 Testes e resultados

Apresenta-se aqui como sao feitos os procedimentos de teste do algoritmo, assim como os

resultados obtidos. A interface de usuario sera testada indiretamente atraves da validacao dos

subsistemas de cadastro e reconhecimento.

4.1 Testes

Para realizar o teste do algoritmo de reconhecimento, foi necessaria a captura de impressoes

digitais. Estas digitais sao usadas para fazer os cadastros e reconhecimento. Duas interfaces

foram criadas para auxiliar neste processo. Com o intuito de povoar o banco de dados, alem das

digitais capturadas produziu-se digitais de forma artificial conforme explanado na secao 4.1.2.

Considerando as propostas no desenvolvimento, testou-se um total 160 configuracoes de busca

em dois cenarios diferentes. Os objetivos dos testes sao identificar os melhores valores limites

para a nota final da digital e qual configuracao apresenta os melhores resultados de acerto e

falso positivo. Os dois cenarios estao apresentados nas tabelas 4.1 e 4.2.

Tipo da digital Digitais Cadastro Consulta

Real 230√

Real 836√

Tabela 4.1: Cenario I

Tipo da digital Digitais Cadastro Consulta

Real 230√

Real 836√

Artificial 1000√

Tabela 4.2: Cenario II

Dentre as configuracoes, testou-se o modelo Delaunay e o modelo estrela com variacoes da

4.1 Testes 45

distancia mınima e numero de conexoes, conforme a tabela 4.3.

Configuracao Metodo No de conexoes Distancia mınima

1 Estrela 3 20

2 Estrela 3 40

3 Estrela 3 80

4 Estrela 4 20

5 Estrela 4 40

6 Estrela 4 80

7 Estrela 5 20

8 Estrela 5 40

9 Estrela 5 80

10 Delaunay Variavel Nao se aplica

Tabela 4.3: Configuracao do modelo

Para cada modelo apresentado, foram usadas variacoes na area de busca, remocao de triangulos

incertos e variacao do numero de pontos por consulta, conforme apresentado na tabela 4.4.

Variacao Area de busca% Remocao No de nos por consulta

1 5√

1

2 5√

2

3 5√

3

4 5√

5

5 5 1

6 5 2

7 5 3

8 5 5

9 8 1

10 8 2

11 8 3

12 8 5

13 10 1

14 10 2

15 10 3

16 10 5

Tabela 4.4: Variacoes do modelo selecionado

4.1 Testes 46

4.1.1 Interfaces de captura

Para agilizar e facilitar o processo de captura foram desenvolvidas duas interfaces:

• Coletor de digitais para consulta - Nesta interface, ilustrada na figura 4.1, sao capturadas

30 imagens, sendo tres de cada dedo. Uma barra de progresso auxilia o usuario. A

interface e chamada passando o nome da pessoa como parametro. Uma pasta com este

nome e criada e as imagens sao salvas nesta pasta, porem se a captura estiver com menos

de 12 minucias uma nova captura e solicitada. Esta interface nao realiza nenhum outro

tipo controle sobre a imagem adquirida, dispondo assim de distorcoes casuais de coleta.

Figura 4.1: Interface de captura de digitais para consulta

• Coletor de digitais para cadastro - A interface de cadastro mostra a imagem capturada de

forma ampliada para que uma analise visual possa ser feita. Como pode ser observado na

imagem 4.2, apos cada captura, uma caixa de confirmacao e apresentada e uma barra de

progresso auxilia o usuario. Similar ao coletor de digitais para consulta, um nome deve

ser passado como parametro e uma pasta com as imagens capturadas sera salva.

4.1 Testes 47

Figura 4.2: Interface de captura de digitais para cadastro

4.1.2 Digitais artificiais

Para que se possa testar cenarios com muitos usuarios, e interessante que exista uma forma

de simular impressoes digitais. Em muitos casos, uma digital artificial pode ser usada.

Para a criacao de digitais artificiais, estudou-se o comportamento do numero de minucias

e a formacao dos angulos em digitais reais. O comportamento do numero de minucias segue

uma distribuicao gaussiana com uma media de 30 minucias. Para as posicoes no eixo X e Y

foram usadas distribuicoes lineares com valores variando de acordo com o tamanho da imagem

485x498. Os tipos de minucias foram distribuidas linearmente com valores de 0 ou 1. Na

figura 4.3 e possıvel observar a distribuicao do numero de minucias e, nas imagens 4.4 e 4.5, a

distribuicao dos angulos e arestas em digitais reais e artificiais, respectivamente.

4.1 Testes 48

Figura 4.3: Histograma com o numero de minucias

Figura 4.4: Histograma de angulos

4.2 Resultados 49

Figura 4.5: Histograma de arestas

4.2 Resultados

Conforme descrito na secao 4.1 criou-se 10 opcoes de configuracao de modelo, onde cada

uma foi testada com 16 variacoes de busca, totalizando 160 testes em cada cenario. Os resulta-

dos das diversas configuracoes e variacoes de busca encontram-se nos apendices B e C. Durante

os testes procurou-se simular um ambiente real, com centenas de usuarios. Entao, o cenario II

e utilizado para parametrizar o limiar de decisao que e usado no cenario I e I e verificou-

se que os resultados de acertos e falsos acertos permaneram estaveis em ambos os cenarios.

Analisou-se os resultados de FAR e FRR e verificou-se que os melhores ındices referem-se aos

da configuracao 7, com as variacoes de busca 9, 11 e 12 e estao destacados nas tabelas 4.5 e 4.6.

Este dados foram extraıdos dos apendices B e C respectivamente.

Configuracao NA 1 NFA 2 FRR% FAR%

7.11 179 4 72.71 0.48

7.12 175 4 73.32 0.48

7.9 170 4 74.09 0.48

Tabela 4.5: Melhores ındices, do cenario I, entre modelos propostos

1Numero de acertos2Numero de falsos acertos

4.2 Resultados 50


7.11 170 4 74.09 0.48

7.9 170 4 74.09 0.48

7.12 158 3 75.91 0.36

Tabela 4.6: Melhores ındices, do cenario II, entre modelos propostos

Apresenta-se na figura 4.6 um grafico de dispersao de usuarios para a configuracao 7.11;

destacando o limiar de reconhecimento e na barra lateral o numero de digitais em cada regiao.

Na figura 4.7 pode-se observar um grafico da distribuicao de usuarios pela pontuacao alcancada.

Figura 4.6: Dispersao de usuarios na configuracao 7 e variacao de busca 11, no cenario II


4.2 Resultados 51

Figura 4.7: Distribuicao de usuarios na configuracao 7 e variacao de busca 11, no cenario II

4.2.1 Analise

Mediante aos resultados apresentados na secao 4.1, verifica-se que apesar de baixos ındices

False Acceptance Rate (FAR) os altos ındices de False Reject Rate (FRR) comprometem a usa-

bilidade do modelo destacado. Contudo, com uma analise mais aprofundada sobre os dados

dispostos nos apendices B e C, verificou-se uma tendencia de decrescimo do FRR, com o au-

mento de conexoes do modelo, conforme demonstrado nas figuras 4.6, 4.8 e 4.9.

4.2 Resultados 52

Figura 4.8: Pontuacao por usuario no modelo estrela de 3 conexoes com distancia de 20 pixels,com consulta por 3 nos e variacao de 8%, no cenario II

Figura 4.9: Pontuacao por usuario no modelo estrela de 4 conexoes com distancia de 20 pixels,com consulta por 3 nos e variacao de 8%, no cenario II

4.2 Resultados 53

Nas tabelas apresentadas nos apendices para as configuracoes 7.X verificou-se que alguns

usuarios nao foram reconhecidos em todas as variacoes de busca. Em processo de depuracao

percebeu-se que, as vezes, dependendo do numero de nos por consulta, os resultados podem

nao evidenciar a digital alvo da busca. Durante o processo de busca criterios de desempate

sao utilizados, e o algoritmo pode descartar a digital alvo da lista de suspeitos, portanto novas

variacoes de numero de nos por consultas podem ser testadas.

4.2.2 Teste adicionais

Com base nas informacoes dispostas na subsecao 4.2.1 realizaram-se novos testes com as

melhorias indicadas. Entao, criou-se dois novos modelos. Estrela com seis e sete conexoes,

com distancia mınima de 20 pixels e utilizando novamente os dois cenarios. Nos primeiros

testes com variacao de 5%, esses modelos ja apresentaram melhoria nos resultados.

Realizou-se tambem um novo teste, para o modelo estrela de cinco conexoes, com distancia

mınima de 20 pixels. Nesse teste utilizou-se duas novas configuracoes. Utilizando todos os

nos na consulta no banco de dados, com variacao de 8% no cenario II. E tambem usou-se

o procedimento de remocao de pontos para a variacao de 8%. Mediante os resultados dos

novos modelos de conexao em estrela, decidiu-se testa-los tambem nestas configuracoes. Os

resultados estao apresentados na tabela 4.8.

Configuracao Metodo No de co-

nexoes

Distancia

mınima

Area de

busca %

No de nos por

consulta

Remocao

A Estrela 5 20 8 maximo√

B Estrela 6 20 8 maximo√

C Estrela 7 20 8 maximo√

Tabela 4.7: Configuracao do modelo dos testes extras


B 298 4 54.57 0.48

A 274 4 58.23 0.48

C 266 2 59.45 0.24

Tabela 4.8: Resultados finais


4.2 Resultados 54

Pode-se observar que os ındices de FRR sao bem inferiores ao demonstrados na tabela

4.6. O modelo que apresenta melhores resultados e o modelo de seis conexoes, com distancia

de 20% e utilizando a remocao dos pontos incertos. Nas figuras 4.10 e 4.11, verifica-se as

distribuicoes para o modelo com melhores resultados.

Figura 4.10: Pontuacao por usuario no modelo estrela de 6 conexoes com distancia de 20pixels, com consulta por todos os nos e variacao de 8%, no cenario II

4.3 Conclusoes dos resultados 55

Figura 4.11: Distribuicao de pontuacao no modelo estrela de 6 conexoes com distancia de 20pixels, com consulta por todos os nos e variacao de 8%, no cenario II

4.3 Conclusoes dos resultados

Analisando-se os resultados apresentados nos testes, conclui-se que o modelo de conexao

em estrela e mais eficaz do que o modelo Delaunay. Este modelo apresentou uma tendencia de

melhoria quando se aumenta o numero de conexoes do no. Contudo, mediante os resultados dos

ultimos testes, visualiza-se uma reducao de desempenho no modelo com sete conexoes. Neste

caso pode-se concluir que existe uma saturacao ou decrescimo a partir deste ponto.

Os resultados mostram tambem que, ha um aumento de triangulos impostores quando a

area de busca aumenta, e a margem de busca que melhor apresentou resultados foi a variacao

de 8%. Em relacao a distancia mınima do no conclui-se que a melhor delimitacao foi a de 20

pixels.

Mediante as consideracoes, conclui-se que, o algoritmo que apresenta os melhores resulta-

dos de reconhecimento e modelo estrela com seis conexoes, distancia mınima de 20 pixels, area

de busca de 8%, numero de nos por consulta no maximo e usando otimizacao de remocao de

triangulos incertos.

56

5 Conclusoes

Este trabalho mostrou o desenvolvimento de um algoritmo de identificacao de impressoes

digitais e um aplicativo de cadastro e consulta. O foco principal foi a correlacao de minucias

atraves de triangulos de forma a definir o melhor limiar de operacao.

O capıtulo 2 apresenta alguns conceitos sobre o que sao as minucias e algumas tecnicas utli-

zadas para reconhecimento de uma impressao digital, destacando pros e contras destas tecnicas.

O capıtulo 3 descreve sobre o processo de aquisicao de impressao digital atraves de um

leitor Digital Personar 4000 e a necessidade de aplicar uma correcao de distorcao para as-

sim permitir que os usuarios utilizem o sistema com qualquer angulo de captura. Alem disso,

apresentou-se uma tecnica de triangulacao de minucias imune a problemas de rotacao durante

o processo de captura da digital. O modelo de armazenamento em banco de dados e feito por

meio das informacoes de angulos e arestas dos triangulos. Comparou-se duas formas diferen-

tes para criacao da rede de conexoes de minucias, sendo elas, a triangulacao de Delaunay e

triangulacao de pontos mais proximos (estrutura em estrela). A correlacao entre os triangulos

das digitais e feito atraves de uma matriz que compara todos os triangulos de uma digital contra

todos de outra e uma nota e calculada usando um fator de correlacao.

No capıtulo 4 tem-se os procedimentos aplicados para testar o algoritmo e a criacao de

digitais artificias para povoar o banco de dados. Aproximadamente 1000 impressoes digitais

reais foram adquiridas para cadastro e consulta.

Os resultados dos testes mostram que a estrutura em estrela possui melhor resultado sobre a

triangulacao de Delaunay. A configuracao que apresentou o melhor resultado foi a estrela de seis

conexoes com uma distancia mınima de 20 pixels, area de busca de 8% da distancia e utilizando

uma otimizacao de remocao de triangulos incertos. Observou-se tambem que o aumento do

numero de conexoes na estrela melhora os resultados, porem a partir de seis conexoes o ganho

ja nao e expressivo; e quando usamos uma area de busca muito pequena poucas minucias sao

localizadas e uma area maior causa um aumento do numero de triangulos incertos, fazendo

com que nao se possa distinguir uma digital com clareza. Nota-se que o sistema desenvolvido

5 Conclusoes 57

depende de um bom algoritmo de extracao de minucias, pois so assim e possıvel localizar as

minucias com certeza e precisao. O mindtct foi a escolha para o trabalho, por ser de codigo

aberto e apresentar bons resultados.

Como trabalhos futuros, sugere-se uma otimizacao do sistema de indexacao do banco de

dados visando uma melhor performance no tempo de resposta e uma melhora da interface de

usuario buscando aprimorar o processo de gravacao para garantir imagens com boa qualidade

de captura.

58

APENDICE A -- Pre-testes

Para que fosse possıvel uma melhor analise e validacao da codificacao desenvolvida, criou-

se ferramentas de depuracao. Estas tambem facilitaram a limiarizacao de parametros para o

algoritmo.

A.1 Ferramenta de correlacao de triangulos

Interface usada para depuracao do codigo, de uma forma que se possa fazer insersao,

movimentacao e exclusao de pontos e criar rotacao em torno do seu proprio eixo. Conforme

ilustrado na figura A.1, e possıvel observar nos graficos inferiores, a falta do triangulo formado

pelos pontos 2, 4 e 5. Existe tambem mais uma barra para selecionar a taxa de variacao percen-

tual da busca e um botao para visualizacao da margem de busca na imagem.

A.2 Ferramenta de correlacao de pontos 59

Figura A.1: Ferramenta de correlacao de triangulos

A.2 Ferramenta de correlacao de pontos

Esta interface e similar a correlacao de triangulos, porem, ela mostra o grafico da intensi-

dade de correlacao de pontos. O grafico, demonstrado na figura A.2, indica quantas vezes um

ponto foi correlacionado a outro. No outro painel e possıvel observar a area de busca de cada

ponto.

A.3 Ferramenta de comparacao de imagens 60

Figura A.2: Ferramenta de correlacao de pontos

Comparando os resultados apresentados desta interface com a de correlacao de triangulos

foi possıvel verificar que a correlacao de pontos tende a ter maior acertabilidade. Ou seja, a

correlacao de triangulos apresenta um maior numero de triangulos impostores do que a correlacao

de pontos apresenta de pontos. Devido a essa informacao, a correlacao de pontos foi aplicadas

nos testes.

A.3 Ferramenta de comparacao de imagens

Na interface, ilustrada na figura A.3, duas imagens devem ser carregadas de arquivo ou

capturadas com o leitor de digitais. As minucias sao apresentadas sobrepostas as imagens e

acessando a caixa de controle podemos inserir, mover ou excluir minucias. Tambem e possıvel

selecionar um ponto em cada imagem e sobrepo-las centralizando sobre o ponto selecionado.

Entao, na imagem sobreposta, o ponto selecionado e identificado e pode-se visualizar os pontos

de conexao e suas respectivas areas de busca.

A.3 Ferramenta de comparacao de imagens 61

Figura A.3: Ferramenta de comparacao de imagens

Esta interface foi criada para que se pudesse verificar o impacto do aumento da variacao do

percentual de busca. Com ela e tambem com o correlacionador de pontos foi possıvel verifi-

car que, com percentual muito alto, um numero muito grande de pontos falsos comecam a se

correlacionar.

62

APENDICE B -- Tabela resultados cenario I

Visualiza-se na tabela abaixo os resultados obtidos nos testes realizados no cenario I.

Falsos > 0 Verdadeiros > 0C.V1

Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%

1.1 3.62 0.86 11.98 7.01 6.56 43 0 93.45 0

1.2 3.43 0.72 13.49 8.69 6.87 46 0 92.99 0

1.3 3.36 0.63 13.13 7.72 6.19 50 0 92.38 0

1.4 3.66 1.14 12.71 8.9 8.19 44 0 93.29 0

1.5 3.61 0.83 12.48 7.01 6.56 45 0 93.14 0

1.6 3.57 0.85 13.94 8.63 6.91 46 0 92.99 0

1.7 3.49 0.77 13.6 7.8 6.37 53 0 91.92 0

1.8 3.6 1.07 13.24 9.21 7.63 45 0 93.14 0

1.9 3.81 1.3 15.19 8.5 8.76 79 0 87.96 0

1.10 3.84 1.32 15.48 9.17 8.72 81 0 87.65 0

1.11 3.9 1.42 14.82 8.44 9.2 96 1 85.37 0.12

1.12 3.86 1.42 15.81 9.8 9.16 94 2 85.67 0.24

1.13 4.4 1.96 15.3 9.2 11.05 85 6 87.04 0.72

1.14 4.49 1.99 15.55 10.33 11.53 86 4 86.89 0.48

1.15 4.56 2.05 14.91 9.08 11.81 94 5 85.67 0.6

1.16 4.49 2.03 16 9.53 11.35 106 7 83.84 0.84

2.1 3.36 0.67 10.86 6.19 7.03 34 0 94.82 0

2.2 3.51 0.98 10.67 6.25 7.55 35 0 94.66 0

2.3 3.35 0.74 11.36 6.85 6.18 46 1 92.99 0.12

2.4 3.34 0.78 10.95 6.63 6.01 59 2 91.01 0.24

2.5 3.65 1.44 11.42 6.19 8.55 32 2 95.12 0.24

continua na proxima pagina

Apendice B -- Tabela resultados cenario I 63

Tabela B.1 – continuacao da pagina anterior



2.6 3.69 1.42 11.29 6.54 8.55 33 2 94.97 0.24

2.7 3.63 1.36 11.91 6.98 8.01 42 2 93.6 0.24

2.8 3.52 1.24 11.43 6.5 7.3 52 2 92.07 0.24

2.9 4.32 1.85 11.76 7.31 10.99 53 6 91.92 0.72

2.10 4.44 1.9 11.38 7.21 11.84 56 3 91.46 0.36

2.11 4.47 1.88 11.74 6.93 10.97 72 7 89.02 0.84

2.12 4.49 1.91 12.3 6.99 10.8 86 7 86.89 0.84

2.13 5.31 2.28 11.38 7.2 13.74 54 8 91.77 0.96

2.14 5.51 2.43 11.06 7.05 14.57 51 6 92.23 0.72

2.15 5.44 2.26 11.53 7.07 12.83 72 8 89.02 0.96

2.16 5.1 1.95 12.15 7.19 12.25 86 4 86.89 0.48

3.1 3.51 1.15 7.53 4.37 7.3 29 4 95.58 0.48

3.2 3.56 1.17 7.68 4.58 7.17 36 7 94.51 0.84

3.3 3.56 1.2 7.75 4.44 7.17 42 8 93.6 0.96

3.4 3.56 1.21 7.83 4.28 7.45 42 6 93.6 0.72

3.5 4.1 1.58 8.56 5.21 9.66 28 6 95.73 0.72

3.6 4.17 1.54 8.77 5.46 9.19 33 6 94.97 0.72

3.7 4.23 1.73 8.88 5.63 9.84 35 9 94.66 1.08

3.8 4.22 1.73 8.94 5.39 9.2 41 11 93.75 1.32

3.9 6.5 2.34 7.95 5.3 15.08 18 10 97.26 1.2

3.10 6.22 2.22 8.1 5.46 13.65 26 9 96.04 1.08

3.11 5.87 2.08 9 5.61 12.2 40 14 93.9 1.67

3.12 5.44 1.93 9.16 5.71 12.31 31 7 95.27 0.84

3.13 7.56 2.78 7.74 4.81 16.03 15 11 97.71 1.32

3.14 6.06 2.1 8.46 5.66 15.07 9 5 98.63 0.6

3.15 6.54 2.31 8.62 5.3 13.93 24 10 96.34 1.2

3.16 6.05 2.27 8.87 5.57 12.77 21 11 96.8 1.32

4.1 2.26 0.56 9.71 6.56 5.87 76 0 88.41 0

4.2 2.53 1.05 10.21 6.91 6.21 75 1 88.57 0.12

4.3 2.39 0.89 10.23 6.81 5.48 86 1 86.89 0.12






4.4 2.35 0.86 10.46 6.94 5.82 83 1 87.35 0.12

4.5 2.31 0.59 9.9 6.68 5.85 77 0 88.26 0

4.6 2.52 0.99 10.45 7.09 6.25 74 1 88.72 0.12

4.7 2.38 0.84 10.45 6.96 5.32 87 1 86.74 0.12

4.8 2.36 0.83 10.75 7.05 4.86 93 2 85.82 0.24

4.9 2.79 1.22 11.67 7.41 7.22 136 4 79.27 0.48

4.10 2.79 1.21 11.99 7.81 7.07 132 10 79.88 1.2

4.11 2.78 1.17 11.75 7.74 6.81 147 8 77.59 0.96

4.12 2.88 1.23 11.68 7.75 6.8 152 9 76.83 1.08

4.13 3.31 1.51 11.87 7.78 8.87 138 5 78.96 0.6

4.14 3.42 1.59 12.15 8.14 8.9 137 7 79.12 0.84

4.15 3.45 1.48 11.58 8.12 8.33 149 12 77.29 1.44

4.16 3.32 1.44 12.22 8.15 7.27 161 16 75.46 1.91

5.1 2.22 0.41 8.44 5.26 4.87 82 0 87.5 0

5.2 2.26 0.55 8.22 5.33 4.95 93 0 85.82 0

5.3 2.23 0.48 8.92 5.7 4.65 102 2 84.45 0.24

5.4 2.22 0.51 9.19 5.67 4.74 108 1 83.54 0.12

5.5 2.4 0.71 8.85 5.4 5.1 80 2 87.8 0.24

5.6 2.41 0.72 8.62 5.57 5.16 92 1 85.98 0.12

5.7 2.37 0.68 9.2 5.95 4.92 101 3 84.6 0.36

5.8 2.36 0.7 9.53 5.86 5.1 106 2 83.84 0.24

5.9 3.22 1.31 9.99 6.67 8.11 122 5 81.4 0.6

5.10 3.28 1.34 10.14 6.71 8.09 129 6 80.34 0.72

5.11 3.25 1.34 10.35 6.57 7.62 134 6 79.57 0.72

5.12 3.12 1.23 10.47 6.88 6.66 143 11 78.2 1.32

5.13 4.17 1.61 9.61 6.57 10.04 115 7 82.47 0.84

5.14 4.07 1.74 10.06 6.5 9.51 121 11 81.55 1.32

5.15 3.94 1.69 10.16 6.69 7.69 131 24 80.03 2.87

5.16 3.42 1.56 10.97 7.16 7.26 107 17 83.69 2.03

6.1 2.38 0.73 6.52 4.03 4.7 94 5 85.67 0.6






6.2 2.42 0.76 6.14 4.08 4.73 91 8 86.13 0.96

6.3 2.4 0.77 6.3 4.1 4.77 92 9 85.98 1.08

6.4 2.34 0.67 6.04 4.12 4.09 97 24 85.21 2.87

6.5 3.06 1.59 7.65 4.93 7.81 65 15 90.09 1.79

6.6 3.12 1.6 7.18 4.95 7.69 70 15 89.33 1.79

6.7 3.17 1.78 7.29 5.05 8.41 57 7 91.31 0.84

6.8 3.01 1.37 6.99 4.99 6.72 68 14 89.63 1.67

6.9 5.1 2.03 6.64 4.4 11.07 39 22 94.05 2.63

6.10 4.62 2.18 7.2 4.81 9.23 48 22 92.68 2.63

6.11 4.15 1.83 7.17 4.55 8.7 42 22 93.6 2.63

6.12 3.83 1.56 8.03 5.36 8.43 45 11 93.14 1.32

6.13 5.68 2.15 6.61 4.3 10.87 37 28 94.36 3.35

6.14 4.25 1.81 7.59 5.42 10.93 10 10 98.48 1.2

6.15 4.93 1.98 6.98 4.04 10.4 24 19 96.34 2.27

6.16 4.58 1.61 7.26 4.65 8.87 32 23 95.12 2.75

7.1 3.73 0.41 11.65 7.37 5.23 103 0 84.3 0

7.2 3.65 0.24 11.48 7.49 4.99 114 0 82.62 0

7.3 3.63 0.2 11.39 7.29 4.7 125 0 80.95 0

7.4 3.69 0.31 11.29 6.98 6.7 105 0 83.99 0

7.5 3.82 0.5 11.94 7.36 5.77 101 0 84.6 0

7.6 3.67 0.27 11.67 7.62 5.47 111 0 83.08 0

7.7 3.82 0.86 11.66 7.48 6.18 112 1 82.93 0.12

7.8 3.96 1 11.48 7.12 7.15 103 1 84.3 0.12

7.9 4.38 1.38 15.17 8.85 8.58 170 4 74.09 0.48

7.10 4.53 1.86 14.63 8.43 9.81 160 5 75.61 0.6

7.11 4.41 1.51 14.78 8.75 8.72 179 4 72.71 0.48

7.12 4.37 1.49 14.38 8.82 8.75 175 4 73.32 0.48

7.13 5.19 2.02 15.25 9.4 11.57 163 7 75.15 0.84

7.14 5.25 2.39 15.57 9.07 10.96 173 11 73.63 1.32

7.15 4.89 1.75 15.87 9.11 9.65 194 20 70.43 2.39






7.16 4.62 1.58 15.63 9.33 8.75 182 19 72.26 2.27

8.1 3.72 0.37 11.42 6.57 4.7 126 1 80.79 0.12

8.2 3.64 0.23 11.3 6.6 4.42 135 2 79.42 0.24

8.3 3.69 0.3 11.12 6.54 5.12 132 0 79.88 0

8.4 3.66 0.26 11.07 6.31 6.8 122 0 81.4 0

8.5 3.9 0.74 11.88 6.82 6.62 116 0 82.32 0

8.6 3.97 0.91 11.74 6.92 7.35 114 1 82.62 0.12

8.7 3.9 0.73 11.66 6.88 7.2 117 0 82.16 0

8.8 3.88 0.84 11.56 6.72 7.65 120 1 81.71 0.12

8.9 5.17 1.95 12.95 7.8 10.87 143 9 78.2 1.08

8.10 5.19 2.1 13.35 7.82 10.86 154 12 76.52 1.44

8.11 4.88 1.8 13.62 7.84 9.87 158 21 75.91 2.51

8.12 4.58 1.65 14.09 7.76 9.79 147 16 77.59 1.91

8.13 6.9 2.85 13.22 7.9 15.07 110 11 83.23 1.32

8.14 5.99 2.25 14.18 8.07 12.28 108 10 83.54 1.2

8.15 5.59 1.93 14.86 7.99 11.28 131 6 80.03 0.72

8.16 5.48 2.16 15.68 8.15 11.97 111 12 83.08 1.44

9.1 3.85 0.78 8.9 4.86 6.49 119 2 81.86 0.24

9.2 3.8 0.72 9.16 4.97 6.02 133 15 79.73 1.79

9.3 3.83 0.82 9.17 5.01 6.56 108 4 83.54 0.48

9.4 3.78 0.73 9.53 5.2 6.06 100 10 84.76 1.2

9.5 5.2 2.22 10.78 6.07 11.96 65 9 90.09 1.08

9.6 5.3 2.28 10.8 6.18 11.25 79 9 87.96 1.08

9.7 5.06 2.07 10.71 6.09 10.38 80 12 87.8 1.44

9.8 4.73 1.88 11.15 6.51 10.39 68 7 89.63 0.84

9.9 9.2 5.54 10.39 6.29 23.7 16 9 97.56 1.08

9.10 8.07 5.3 11.21 6.74 23.13 15 8 97.71 0.96

9.11 7.53 5.31 11.43 6.85 17.28 33 13 94.97 1.56

9.12 7.03 3.14 11.86 7.27 15.67 33 11 94.97 1.32

9.13 10.53 5.12 10.77 6.23 24.7 14 12 97.87 1.44






9.14 7.01 2.59 12.74 7.79 23.95 3 0 99.54 0

9.15 8.77 3.65 12.07 6.75 20.06 18 9 97.26 1.08

9.16 8.18 3.37 11.88 6.73 18.48 18 15 97.26 1.79

10.1 4 1.74 12.51 7.29 9.76 88 2 86.59 0.24

10.2 4.07 1.65 12.58 7.32 10.04 87 2 86.74 0.24

10.3 3.85 1.51 12.73 7.24 9.78 99 2 84.91 0.24

10.4 3.91 1.37 12.68 6.96 9.61 105 2 83.99 0.24

10.5 4.11 1.74 12.66 7.24 9.94 93 2 85.82 0.24

10.6 4.18 1.66 12.7 7.29 10.1 93 2 85.82 0.24

10.7 3.85 1.47 12.89 7.2 9.67 105 3 83.99 0.36

10.8 3.96 1.38 12.81 6.91 9.49 111 2 83.08 0.24

10.9 4.89 1.74 15.59 8.85 11.78 153 3 76.68 0.36

10.10 4.94 1.72 15.25 8.9 11.56 150 4 77.13 0.48

10.11 4.89 1.62 15.36 8.82 11.3 160 3 75.61 0.36

10.12 4.75 1.57 15.76 8.8 11.24 158 4 75.91 0.48

10.13 5.78 1.81 16.1 9.15 13.26 165 2 74.85 0.24

10.14 5.68 1.74 15.93 9.33 13.09 157 2 76.07 0.24

10.15 5.59 1.78 16.28 9.36 12.18 168 6 74.39 0.72

10.16 5.18 1.52 16.71 9.27 11.58 167 3 74.54 0.36

Tabela B.1: Resultados do cenario I

1Configuracao . Variacao2Desvio padrao3Numero de acertos4Numero de falsos acertos

68

APENDICE C -- Tabela resultados cenario II

Visualiza-se na tabela abaixo os resultados obtidos nos testes realizados no cenario II.



1.1 3.61 0.98 11.98 7.01 6.56 43 1 93.45 0.12

1.2 3.65 1.08 13.49 8.69 6.87 46 2 92.99 0.24

1.3 3.52 0.89 13.13 7.72 6.19 50 1 92.38 0.12

1.4 3.77 1.47 12.71 8.9 8.19 44 1 93.29 0.12

1.5 3.63 0.98 12.48 7.01 6.56 45 1 93.14 0.12

1.6 3.67 1.08 13.94 8.63 6.91 46 2 92.99 0.24

1.7 3.58 0.93 13.6 7.8 6.37 53 1 91.92 0.12

1.8 3.64 1.33 13.24 9.21 7.63 45 1 93.14 0.12

1.9 4.04 1.57 15.19 8.5 8.76 79 4 87.96 0.48

1.10 4.04 1.56 15.43 9.21 8.72 80 5 87.8 0.6

1.11 4.16 1.68 14.82 8.44 9.2 96 6 85.37 0.72

1.12 4.08 1.69 15.81 9.8 9.16 94 9 85.67 1.08

1.13 4.71 2.11 15.46 9.19 11.05 85 11 87.04 1.32

1.14 4.87 2.22 15.55 10.33 11.53 86 7 86.89 0.84

1.15 4.98 2.28 14.91 9.08 11.81 94 8 85.67 0.96

1.16 4.87 2.16 16.03 9.52 11.35 105 10 83.99 1.2

2.1 3.58 1.15 10.86 6.19 7.03 34 1 94.82 0.12

2.2 3.7 1.28 10.66 6.26 7.55 35 1 94.66 0.12

2.3 3.5 0.89 11.34 6.86 6.18 46 3 92.99 0.36

2.4 3.45 0.85 10.95 6.63 6.01 59 3 91.01 0.36

2.5 3.83 1.57 11.42 6.19 8.55 32 4 95.12 0.48


Apendice C -- Tabela resultados cenario II 69

Tabela C.1 – continuacao da pagina anterior



2.6 3.85 1.57 11.29 6.54 8.55 33 4 94.97 0.48

2.7 3.76 1.42 11.91 6.98 8.01 42 3 93.6 0.36

2.8 3.6 1.24 11.43 6.5 7.3 52 4 92.07 0.48

2.9 4.62 2.12 11.76 7.31 10.99 53 13 91.92 1.56

2.10 4.8 2.35 11.39 7.25 11.84 55 9 91.62 1.08

2.11 4.68 2.1 11.79 6.92 10.97 72 14 89.02 1.67

2.12 4.65 2.05 12.42 6.99 10.8 84 11 87.2 1.32

2.13 5.96 2.59 11.38 7.2 13.74 54 12 91.77 1.44

2.14 6.15 2.81 11.22 7.09 14.57 51 12 92.23 1.44

2.15 5.79 2.35 12.12 7.07 12.83 72 10 89.02 1.2

2.16 5.28 2.32 12.97 7.17 12.25 82 11 87.5 1.32

3.1 3.61 1.23 7.49 4.36 7.3 29 7 95.58 0.84

3.2 3.64 1.18 7.63 4.6 7.17 35 8 94.66 0.96

3.3 3.61 1.19 7.71 4.47 7.17 40 10 93.9 1.2

3.4 3.64 1.27 8.13 4.36 7.45 40 8 93.9 0.96

3.5 4.31 1.78 8.53 5.19 9.66 28 9 95.73 1.08

3.6 4.34 1.62 8.75 5.48 9.19 32 8 95.12 0.96

3.7 4.35 1.83 8.89 5.67 9.84 35 10 94.66 1.2

3.8 4.24 1.65 9.3 5.49 9.2 39 12 94.05 1.44

3.9 7.19 2.63 8.25 5.38 15.08 18 16 97.26 1.91

3.10 6.45 2.4 8.87 5.71 13.65 26 12 96.04 1.44

3.11 5.88 2.11 9.39 5.9 12.2 36 13 94.51 1.56

3.12 5.59 2.24 9.6 5.9 12.31 28 13 95.73 1.56

3.13 8.02 2.67 8.37 5.21 16.03 14 12 97.87 1.44

3.14 7.28 2.6 8.34 5.36 15.07 16 12 97.56 1.44

3.15 6.7 2.41 9.07 5.31 13.93 21 12 96.8 1.44

3.16 5.9 2.29 9.05 5.56 12.77 10 12 98.48 1.44

4.1 2.45 1.14 9.71 6.56 5.87 76 3 88.41 0.36

4.2 2.49 1.24 10.2 6.91 6.21 75 3 88.57 0.36

4.3 2.35 1.04 10.21 6.82 5.48 86 2 86.89 0.24






4.4 2.41 1.14 10.46 6.94 5.82 83 4 87.35 0.48

4.5 2.45 1.13 9.9 6.68 5.85 77 4 88.26 0.48

4.6 2.52 1.24 10.45 7.09 6.25 74 4 88.72 0.48

4.7 2.36 0.99 10.45 6.96 5.32 87 2 86.74 0.24

4.8 2.34 0.84 10.76 7.04 4.86 93 4 85.82 0.48

4.9 2.94 1.43 11.67 7.41 7.22 136 13 79.27 1.56

4.10 2.94 1.38 12 7.81 7.07 131 22 80.03 2.63

4.11 2.91 1.3 11.79 7.73 6.81 147 18 77.59 2.15

4.12 2.93 1.29 11.92 7.75 6.8 152 14 76.83 1.67

4.13 3.73 1.72 11.92 7.8 8.87 139 15 78.81 1.79

4.14 3.82 1.7 12.36 8.23 8.9 132 12 79.88 1.44

4.15 3.6 1.57 12.12 8.29 8.33 140 15 78.66 1.79

4.16 3.2 1.36 13.22 8.39 7.27 127 13 80.64 1.56

5.1 2.32 0.85 8.44 5.26 4.87 82 4 87.5 0.48

5.2 2.35 0.87 8.2 5.34 4.95 93 2 85.82 0.24

5.3 2.28 0.79 8.84 5.69 4.65 102 6 84.45 0.72

5.4 2.3 0.81 9.15 5.67 4.74 108 5 83.54 0.6

5.5 2.42 0.9 8.85 5.4 5.1 80 4 87.8 0.48

5.6 2.45 0.9 8.62 5.57 5.16 92 3 85.98 0.36

5.7 2.38 0.85 9.2 5.95 4.92 101 6 84.6 0.72

5.8 2.42 0.89 9.53 5.86 5.1 106 5 83.84 0.6

5.9 3.51 1.53 9.99 6.67 8.11 122 13 81.4 1.56

5.10 3.55 1.51 10.2 6.76 8.09 126 13 80.79 1.56

5.11 3.41 1.4 10.37 6.62 7.62 125 10 80.95 1.2

5.12 2.97 1.23 11.25 7.23 6.66 110 13 83.23 1.56

5.13 4.73 1.77 9.69 6.58 10.04 113 17 82.77 2.03

5.14 4.24 1.76 10.12 6.41 9.51 92 16 85.98 1.91

5.15 3.56 1.38 10.66 7.1 7.69 84 11 87.2 1.32

5.16 3.24 1.34 12.15 7.29 7.26 76 14 88.41 1.67

6.1 2.43 0.76 6.58 4.02 4.7 95 7 85.52 0.84






6.2 2.47 0.75 6.23 4.08 4.73 92 8 85.98 0.96

6.3 2.44 0.78 6.52 4.15 4.77 91 7 86.13 0.84

6.4 2.3 0.6 6.49 4.36 4.09 75 18 88.57 2.15

6.5 3.15 1.56 7.72 4.93 7.81 64 14 90.24 1.67

6.6 3.22 1.49 7.26 4.95 7.69 69 13 89.48 1.56

6.7 3.21 1.73 7.52 5.12 8.41 54 7 91.77 0.84

6.8 2.88 1.28 7.34 5.24 6.72 50 12 92.38 1.44

6.9 5.1 1.99 6.87 4.59 11.07 31 18 95.27 2.15

6.10 4.1 1.71 7.6 4.9 9.23 30 9 95.43 1.08

6.11 3.84 1.62 7.37 4.23 8.7 31 12 95.27 1.44

6.12 3.88 1.52 8.19 5.13 8.43 39 12 94.05 1.44

6.13 5.25 1.87 6.62 4.1 10.87 20 16 96.95 1.91

6.14 5.01 1.97 7.21 4.32 10.93 18 13 97.26 1.56

6.15 4.9 1.83 7.1 4.06 10.4 20 15 96.95 1.79

6.16 4.46 1.47 7.38 4.27 8.87 24 13 96.34 1.56

7.1 3.77 0.49 11.65 7.37 5.23 103 1 84.3 0.12

7.2 3.72 0.42 11.47 7.49 4.99 114 1 82.62 0.12

7.3 3.66 0.35 11.3 7.28 4.7 126 1 80.79 0.12

7.4 3.95 0.92 11.29 6.98 6.7 105 1 83.99 0.12

7.5 3.88 0.63 11.94 7.36 5.77 101 1 84.6 0.12

7.6 3.78 0.56 11.67 7.62 5.47 111 1 83.08 0.12

7.7 3.82 0.79 11.66 7.48 6.18 112 2 82.93 0.24

7.8 4.05 1.04 11.53 7.11 7.15 103 2 84.3 0.24

7.9 4.47 1.37 15.21 8.85 8.58 170 4 74.09 0.48

7.10 4.57 1.75 14.72 8.55 9.81 156 6 76.22 0.72

7.11 4.39 1.45 15.12 8.86 8.72 170 4 74.09 0.48

7.12 4.33 1.47 14.96 8.72 8.75 158 3 75.91 0.36

7.13 5.46 2.04 15.36 9.42 11.57 159 10 75.76 1.2

7.14 5.18 1.93 16.09 9.3 10.96 158 9 75.91 1.08

7.15 4.72 1.64 17.06 9.08 9.65 157 17 76.07 2.03






7.16 4.44 1.44 17.2 9.42 8.75 151 11 76.98 1.32

8.1 3.7 0.33 11.42 6.57 4.7 126 1 80.79 0.12

8.2 3.66 0.25 11.3 6.6 4.42 135 4 79.42 0.48

8.3 3.73 0.46 11.08 6.5 5.12 134 1 79.57 0.12

8.4 3.84 0.99 11.05 6.3 6.8 123 1 81.25 0.12

8.5 3.95 0.89 11.88 6.82 6.62 116 1 82.32 0.12

8.6 4.04 1.1 11.74 6.92 7.35 114 3 82.62 0.36

8.7 4.02 1.06 11.66 6.88 7.2 117 2 82.16 0.24

8.8 4.03 1.21 11.56 6.72 7.65 120 4 81.71 0.48

8.9 5.21 1.89 12.94 7.83 10.87 140 8 78.66 0.96

8.10 5.13 1.91 13.58 7.84 10.86 139 8 78.81 0.96

8.11 4.71 1.72 14.69 8.18 9.87 133 18 79.73 2.15

8.12 4.58 1.74 15.41 8.3 9.79 111 14 83.08 1.67

8.13 6.81 2.76 13.65 7.9 15.07 102 11 84.45 1.32

8.14 5.63 2.22 15.51 8.29 12.28 112 8 82.93 0.96

8.15 5.26 2.01 15.71 8.5 11.28 102 8 84.45 0.96

8.16 5.5 2.16 15.97 8.33 11.97 102 11 84.45 1.32

9.1 3.89 0.87 8.94 4.85 6.49 118 4 82.01 0.48

9.2 3.82 0.73 9.19 5.02 6.02 126 16 80.79 1.91

9.3 3.86 0.9 9.4 5.14 6.56 100 4 84.76 0.48

9.4 3.82 0.75 9.81 5.29 6.06 73 7 88.87 0.84

9.5 5.25 2.24 10.82 6.05 11.96 64 12 90.24 1.44

9.6 5.13 2.04 10.9 6.16 11.25 76 8 88.41 0.96

9.7 4.8 1.86 11.09 6.25 10.38 74 9 88.72 1.08

9.8 4.67 1.91 12.22 6.54 10.39 55 6 91.62 0.72

9.9 8.09 5.2 11.5 6.67 23.7 14 6 97.87 0.72

9.10 7.4 5.24 12.01 6.95 23.13 14 5 97.87 0.6

9.11 7.23 3.35 11.8 6.89 17.28 30 10 95.43 1.2

9.12 6.74 2.98 12.54 7.53 15.67 29 10 95.58 1.2

9.13 9.67 5.01 11.43 6.44 24.7 13 9 98.02 1.08






9.14 9.21 4.91 11.38 6.71 23.95 12 8 98.17 0.96

9.15 8.55 3.84 12.02 6.33 20.06 14 11 97.87 1.32

9.16 7.92 3.52 11.54 6.12 18.48 14 14 97.87 1.67

10.1 4.31 1.82 12.51 7.29 9.76 88 4 86.59 0.48

10.2 4.39 1.88 12.59 7.35 10.04 87 6 86.74 0.72

10.3 4.24 1.85 12.78 7.25 9.78 97 7 85.21 0.84

10.4 4.31 1.77 12.72 6.96 9.61 105 7 83.99 0.84

10.5 4.39 1.85 12.66 7.24 9.94 93 3 85.82 0.36

10.6 4.49 1.87 12.7 7.29 10.1 93 5 85.82 0.6

10.7 4.28 1.79 12.94 7.21 9.67 104 7 84.15 0.84

10.8 4.33 1.72 12.85 6.91 9.49 111 6 83.08 0.72

10.9 5.62 2.05 15.6 8.86 11.78 152 12 76.83 1.44

10.10 5.56 2 15.46 8.97 11.56 145 11 77.9 1.32

10.11 5.39 1.97 15.76 8.84 11.3 153 11 76.68 1.32

10.12 5.18 2.02 16.73 8.92 11.24 142 12 78.35 1.44

10.13 6.83 2.14 16.31 9.21 13.26 161 7 75.46 0.84

10.14 6.44 2.22 16.85 9.19 13.09 146 8 77.74 0.96

10.15 5.95 2.08 17.14 9.56 12.18 145 11 77.9 1.32

10.16 5.46 2.04 17.82 9.45 11.58 138 13 78.96 1.56

Tabela C.1: Resultados do cenario II

1Configuracao . Variacao2Desvio padrao3Numero de acertos4Numero de falsos acertos

74

Lista de Abreviaturas

NBIS NIST Biometric Image Software

FAR False Acceptance Rate

FRR False Reject Rate

SGBD Sistema Gerenciadores de Bancos de Dados

SQL Structured Query Language

CCD Charge-Coupled Device

IHM Interface Homem Maquina

75

Referencias Bibliograficas

ALECRIM, E. Introducao a Biometria. 2005. http://www.infowester.com/biometria.php. Ultimo acesso em 16 de setembro de 2012.

ANSELMO, J. Identificacao de Impressoes Digitais em Tempo Real. 2011.

BATISTA, V. H. F. Transversais de Triangulos e suas Aplicacoes em Triangulacoes. Tese(Doutorado) — Universidade Federal do Rio de Janeiro, 2010.

BERG, M. de; CHEONG, O.; KREVELD, M. van. Computational Geometry: Algorithms andApplications. [S.l.]: Springer-Verlag Berlin Heidelberg, 2008. ISBN 9783540779742.

BHANU, B.; TAN, X. Fingerprint matching by genetic algorithms. [S.l.], 2005.

BUBECK, U.; SANCHEZ, D. Biometric Authentication. [S.l.], 2003.

CASTRO, T. da S. Identificacao de Impressoes Digitais Baseada na Extracao de Minucias.Dissertacao (Mestrado) — Universidade Federal de Juiz de Fora, 2008.

COSTA, S. M. F. Classificacao e Verificacao de Impressoes Digitais. Dissertacao (Mestrado)— Escola Politecnica da Universidade de Sao Paulo, 2001.

FALGUEIRA, F. P. S. Fusao de Metodos Baseados em Minucias e em Cristas paraReconhecimento de Impressoes Digitais. Dissertacao (Mestrado) — Universidade EstadualPaulista Julio de Mesquita Filho, 2008.

FENG, J.; CAO, J. A Robust Fingerprint Matching Algorithm Based on Compatibility of StarStructures. [S.l.], 2009.

FIORENTIN, M. B. Deteccao Automatica de Impressoes Digitais. 2006.

JAIN, A. et al. An Identity Authentication System Using Fingerprints. 2007. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.84.4344&rep=rep1&type=

pdf. Ultimo acesso em 16 de Setembro de 2012.

JARDINI, E.; GONZAGA, A.; JUNIOR, C. T. Metodologia para Indexacao e Buscade Impressoes Digitais atraves do uso de Funcao de Distancia Metrica. 2010. http://iris.sel.eesc.usp.br/lavi/portugues/pdf/wvc2006_0020.pdf. Ultimo acesso em30 Abril de 2012.

JEA, T.-Y.; GOVINDARAJU, V. A minutia-based partial fingerprint recognition system. [S.l.],2005.

KOMARINSKI, P. Automated Fingerprint Identification Systems (AFIS). [S.l.]: ElsevierScience, 2005. ISBN 0124183514.

Referencias Bibliograficas 76

KOVACS-VAJNA, Z. M. A Fingerprint Verification System Based on Triangular Matching andDynamic Time Warping. [S.l.], 2000.

LIMA, A. R. G. Maquinas de Vetores Suporte na Classificacao de Impressoes Digitais.Dissertacao (Mestrado) — Universidade Federal do Ceara, 2002.

LOBATO, E. M. Classificaccao e Identificaccao de Impressoes Digitais no Domınio daTransformada Wavelet. Dissertacao (Mestrado) — Universidade Federal de Santa Catarina,2000.

MAGALHAES, P. S. Biometria e autenticacao. [S.l.], 2003.

MALTONI, D. et al. Handbook of Fingerprint Recognition. Springer, 2009.(Springer professional computing). ISBN 9781848822535. Disponıvel em:<http://books.google.com.br/books?id=1Wpx25D8qOwC>.

MARTINS, E. O que e Biometria. 2009. http://www.tecmundo.com.br/o-que-e/3121-o-que-e-biometria-.htm. Ultimo acesso em 16 de setembro de 2012.

MAZETTI, C. M. D. Metodologia para extracao de caracterısticas invariantes a rotacao emImagens de Impressoes Digitais. Dissertacao (Mestrado) — Escola de Engenharia de SaoCarlos da Universidade de Sao Paulo, 2006.

MORAES, A. F. de. Metodo para Avaliacao da tecnologia biometrica na seguranca deaeroportos. Dissertacao (Mestrado) — Escola Politecnica da Universidade de Sao Paulo, 2006.

MYSQL. About MySQL. 2012. http://www.mysql.com/about/. Ultimo acesso em 10 deoutubro de 2012.

NANAVATI, S.; THIEME, M.; NANAVATI, R. Biometrics: identity verification in a networkedworld. John Wiley & Sons, 2002. (Wiley tech brief series). ISBN 9780471099451. Disponıvelem: <http://books.google.com.br/books?id=wx1TAAAAMAAJ>.

RAAFAT, H.; XIAO, Q. Combining Statistical and Structural Information for FingerprintIdentification. [S.l.], 1990.

RATHA, N. k.; BOLLE, R. M.; CONNELL, J. H. An Analysis of Minutiae MatchingStrength. 2001. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.87.8743&rep=rep1&type=pdf. Ultimo acesso em 16 de Setembro de 2012.

RATHA, N. k. et al. Robust Fingerprint Authentication Using Local Structural Similarity.2000. http://graphics.stanford.edu/~vaibhav/pubs/fingerprint.pdf. Ultimoacesso em 16 de Setembro de 2012.

RATHA, N. K. et al. A Real-time Matching System for Large Fingerprint Databa-ses. 1996. http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=639516A6BC6F93FFD301574B8B35F226?doi=10.1.1.54.922&rep=rep1&type=pdf.Ultimo acesso em 16 de Setembro de 2012.

REYES, E. G.; HAM, M. I.; PEREIRA, Y. B. A Multiple Substructure Matching Algorithm forFingerprint Recognition. [S.l.], 2007. 172–181 p.

Referencias Bibliograficas 77

SAMATELO, J. L. A. Um Sistema de Classificacao de Impressoes Digitais. Dissertacao(Mestrado) — Universidade Federal do Espırito Santo, 2007.

SILVERMAN, M.; LIU, S. A Practical Guide to Biometric Security Technology. 2001.http://www.lfca.net/Reference%20Documents/A%20Practical%20Guide%20To%

20Biometric%20Security%20Technology.pdf. Ultimo acesso em 16 de Setembro de 2012.

TECHNOLOGY, C. on. Fingerprint Recognition. [S.l.], 2006.

TEDESCO, C.; COUTO, D. L. Desenvolvimento de Algorıtmos para Analise de Imagensde IDs Rotacionadas Utilizando Grafos. 2004. http://www.uefs.br/erbase2004/documentos/wticgbase/Wticgbase2004ArtigoMonografia002.pdf. Ultimo acesso em16 de Setembro de 2012.

THAI, R. Fingerprint Image Enhancement and Minutiae Extraction. [S.l.], 2003.

WEI, L. et al. An Alignment Based Fingerprint Matching Algorithm. [S.l.], 2006.

WIKIPEDIA. Banco de Dados — Wikipedia, A Enciclopedia Livre. 2012. http://pt.wikipedia.org/wiki/Banco_de_dados. Ultimo acesso em 10 de outubro de 2012.

WIKIPEDIA. Biometrics — Wikipedia, The Free Encyclopedia. 2012. http://en.wikipedia.org/wiki/Biometrics. Ultimo acesso em 16 de setembro de 2012.

WIKIPEDIA. Delaunay triangulation — Wikipedia, The Free Encyclopedia. 2012.http://en.wikipedia.org/wiki/Delaunay_triangulation. Ultimo acesso em 16 desetembro de 2012.

WIKIPEDIA. MySQL — Wikipedia, The Free Encyclopedia. 2012. http://en.wikipedia.org/wiki/MySQL. Ultimo acesso em 10 de outubro de 2012.