Proposta de um Sistema de Identificação Multibiométrico Utilizando

Reconhecimento de Faces e Padrões Gestuais

Cláudio C. S. de Freitas, Roger F. L. Chavez, Yuzo Iano Faculdade de engenharia elétrica e computação, DECOM, UNICAMP

13083-852, Av. Albert Einstein – 400, Campinas, SP

E-mail: claudiof@decom.fee.unicamp.br, rlarico@decom.fee.unicamp.br, yuzo@decom.fee.unicamp.br

Palavaras-chaves: Processamento de sinais, multibiometria, face, gestos.

Resumo: O propósito deste trabalho será desenvolver um sistema de reconhecimento

multibiométrico utilizando uma rede neural artificial (RNA) backpropagation, e relacioná-lo com o desempenho dos sistemas monobiométricos investigados. As características monobiométricas

analisadas são a face e padrões gestuais, e o sistema multibiométrico se trata da combinação dessas duas técnicas. O objetivo deste trabalho é desenvolver um sistema de reconhecimento biométrico

que apresenta resultados melhores e com baixo custo, considerando que os atuais sistemas utilizam

em sua maioria características monobiométricas e a necessidade de aumentar a segurança desses sistemas é cada vez maior.

1. Introdução

Considerada como uma das principais tecnologias do milênio [1], o reconhecimento biométrico,

ou simplesmente “biometria”, refere-se a área que estuda o reconhecimento de pessoas se baseando

em uma ou mais características físicas ou comportamentais.

Apesar de seguros, os sistemas que utilizam apenas uma característica biométrica

(monobiométricos) apresentam desvantagens que interferem diretamente na adoção comercial desses

sistemas. Isso envolve a falsificação de características biométricas suscetíveis a fraudes.

Essa falha motivou a necessidade de contornar as desvantagens dos sistemas biométricos e

verificou-se que o desenvolvimento de sistemas multibiométricos, também conhecidos como

multimodais, é uma alternativa promissora para substituí-los ou complementá-los.

O propósito deste trabalho será desenvolver um sistema de reconhecimento multibiométrico

utilizando uma rede neural artificial (RNA) backpropagation, e compará-lo com o desempenho dos

sistemas monobiométricos investigados. As características monobiométricas analisadas são a face e

padrões gestuais, e o sistema multibiométrico se trata da combinação dessas duas técnicas.

2. Fundamentação Teórica

Uma boa informação biométrica deve ser mensurável, distintiva e invariante ao longo do tempo.

Os sensores de captura devem ser não intrusivos e facilmente aceitos, assim como, possuir fácil

utilização, baixo custo, ser preciso e rápido [2]. Uma grande vantagem de sistemas biométricos é que

apresentam um alto nível de segurança, e principalmente, esses sistemas são baseados em

características que o usuário não pode perder ou esquecer. Isso é uma vantagem tanto para o usuário

como para o sistema, porque não existe mais a necessidade de gerenciar senhas, cartões ou tokens

que podem ser perdidos, roubados ou utilizados temporariamente [3].

A análise de faces é um problema multidisciplinar. De acordo com Chellappa et al. [4], pesquisas

na área de reconhecimento facial oferecem diversas oportunidades que desafiam engenheiros e

cientistas da área ao longo dos anos. A RNA é um método comumente utilizado em problemas que

envolvem análise de padrões, podendo ser utilizada em sistemas de reconhecimento biométrico.

Reddy et al. [5] investigam a utilização de RNA na classificação de faces a partir de características

e regiões do rosto como boca, olhos e nariz.

Além do reconhecimento de faces, neste trabalho também será utilizado o reconhecimento de

padrões gestuais. Esse é um método menos explorado na literatura em relação a trabalhos

publicados na área de reconhecimento facial, por outro lado, apresenta resultados interessantes e

que possuem níveis de seguranças adequados para complementação do sistema final de

multibiometria. Em uma das pesquisas mais recentes, Mitra e Tinku [7] fazem um estudo geral

acerca dos aspectos que envolvem reconhecimento de gestos envolvendo mãos, braços, corpo ou

cabeça. Neste trabalho, será dada ênfase na detecção de gestos e padrões das mãos. Estes gestos

podem ser estáticos (imagens capturadas) ou dinâmicos (movimentos manuais).

24

ISSN 2317-3297

2.3. Sistemas Multibiométricos

Sistemas de reconhecimento biométrico que combinam diferentes características, tem chamado a

atenção para estudos nesta área e pesquisadores tem projetado diversos sistemas combinando

face/impressão digital, face/voz e face/íris [8].

Deriche [9] apresenta algumas das principais vantagens desse tipo de sistema, onde sistemas

multibiométricos estão relacionados com a questão da não-universalidade encontrada em sistemas

monobiométricos.

Esses sistemas também dificultam a ação de impostores, aumentando a complexidade em

falsificar mais de um sistema biométrico. Além disso, esses sistemas são tolerantes a falhas que

possam ocorrer quando existe uma fonte biométrica não confiável devido ao mau funcionamento de

um dos sensores ou do software, ou então, da manipulação do usuário.

Na literatura é possível encontrar uma grande variedade de combinações de características

monobiométricas, tais como combinação de faces 2D e 3D [10], face e voz [11], face e palma da

mão [12], face e características faciais [13] e face e impressão digital. [13]. Abate et al. [14]

propõem uma arquitetura mais robusta e combinam três diferentes características biométricas: a face,

impressão digital e orelha.

3. Desenvolvimento

Neste trabalho, a proposta é desenvolver um sistema multibiométrico que utiliza a combinação

do reconhecimento facial com padrões gestuais utilizando RNA Backpropagation. Essa combinação

é explorada por outros autores, utilizando métodos e objetivos diferentes, como Bhurane e Talbar

[15] que utilizam a combinação de face e padrões gestuais para o controle de um robô.

As imagens faciais serão obtidas através do banco de dados CASIA-FaceV5 [16]. Este banco de

dados foi criado pela Biometrics Ideal Test na China, e disponibiliza gratuitamente suas imagens

para pesquisadores, somente para fins de pesquisa e estudos na área. Para a captura de imagens de

padrões gestuais, a base de dados será gerada pelo próprio autor, utilizando uma câmera de vídeo

com resolução de 2.0 Megapixels da Microsoft.

Na etapa de testes, foram feitos estudos preliminares com pessoas do laboratório para verificar o

desempenho do sistema. A primeira etapa do processo é obter as imagens de interesse. Para isso, foi

instalada uma estrutura para capturar as imagens de interesse, como apresentado na figura 2.

Figura 2. Obtenção de imagens de interesse

Após a captura e processamento das imagens obtidas, estas são submetidas ao processo de

verificação através de uma RNA. Os parâmetros escolhidos para a RNA são apresentados na tabela

1:

Tabela 1. Parâmetros de treinamento da RNA

Parâmetro Face Padrões Gestuais

Neurônios 100 500

Função de

transferência

Conjugado gradiente com reinício Conjugado gradiente com reinício

Função de ativação Sigmóide Sigmóide

Taxa de aprendizado 10 10

Momentum 0.9 0.9

Época 1000 1000

Erro 0.001 0.001

25

ISSN 2317-3297

A seguir, são apresentados detalhes de como foi realizado o procedimento para detecção e

reconhecimento multibiométrico. As imagens apresentadas neste artigo foram obtidas pelo próprio

autor.

O padrões gestuais foram gerados no laboratório, nos quais servirão como uma chave gestual

(token) para confirmar a identidade de uma pessoa. Cada sujeito será relacionado com um

determinado padrão gestual, que irá servir como uma maneira de aumentar a precisão e

confiabilidade do sistema de reconhecimento facial. A figura 3 apresenta algumas imagens obtidas

pelo sistema de captura.

Figura 3. Padrões gestuais submetidos para a RNA

Nesta etapa, a captura tem o papel de obter a imagem e submeter a mesma para um sistema de

correção de iluminação na imagem de face, através de correção do fator gama, filtragem por

diferença de gaussianas e equalização de contraste [17]. Na figura 4 são apresentadas algumas

imagens obtidas a partir do algoritmo proposto para captura e processamento de faces.

Figura 4. Faces com correção de iluminação submetidas para a RNA

4. Resultados Preliminares

Todas as etapas de processamento foram realizadas utilizando computadores com as seguintes

configurações: Processador Intel Core 2 Quad, 4GB de memória RAM e HD de 500GB.

Para os testes preliminares, foram utilizadas imagens biométricas de 12 sujeitos, onde cada

pessoa possui cinco imagens faciais e cinco padrões gestuais individuais. O número pequeno de

imagens para treinamento se deu em função das limitações de participantes disponíveis, no entanto,

para fins de verificação de desempenho do modelo proposto, essa quantidade é aceitável. Porém,

após a etapa de verificação da eficiência do método proposto, a base de dados para testes será

aumentada com o objetivo de atingir uma significância estatística aceitável.

Para o treinamento das imagens faciais, foram submetidas três imagens para a RNA e as duas

restantes foram utilizadas para testes. Da mesma forma, três imagens com padrões gestuais foram

submetidos para testes e as duas imagens restantes foram testadas. Os resultados preliminares são

mostrados na tabela 2.

Tabela 2. Resultados preliminares

Método de reconhecimento Taxa de acerto %

Facial 75%

Padrão Gestual 83%

Face e Padrão Gestual 91%

5. Considerações Finais

Sistemas de reconhecimento monobiométricos possuem de fato níveis de confiança melhores que

sistemas usuais, como senhas, cartões de identificação, etc. Entretanto, estes sistemas podem ter seu

desempenho melhorado quando aplicado uma combinação de características biométricas. Assim,

esse trabalho propõe um sistema multibiométrico utilizando o reconhecimento facial e padrões

gestuais, com o objetivo de atingir taxas maiores de acertos e precisão no reconhecimento de

usuários.

Os resultados preliminares mostram que a proposta apresenta um bom desempenho para

situações em que a base de dados e testes é pequena, e é possível observar uma melhoria do método

multibiométrico, em relação aos sistemas de reconhecimento monobiométricos. Os próximos passos

26

ISSN 2317-3297

envolvem ajustes do sistema de reconhecimento de características e o aumento da base de dados para

testes, com o objetivo de aumentar o desempenho do sistema multibiométrico.

Finalmente, espera-se que essa proposta seja uma alternativa para o desenvolvimento de uma

solução de segurança de baixo custo e com uma alta taxa de confiabilidade para situações que

exigem verificação de identidade, controle de acesso, entre outros.

6. Agradecimentos

Os autores agradecem o apoio financeiro das seguintes instituições: FAPESP, CNPQ,

PROEX/CAPES e UNICAMP, que viabilizaram o desenvolvimento deste projeto.

Referências

[1] A. Chowdhury, “Revolution in authentication process by using biometrics,” 2011 International

Conference on Recent Trends in Information Systems, pp. 36-41, Dec. 2011.

[2] S. Prabhakar, A. Ivanisov, and A. Jain, “Biometric recognition: Sensor characteristics and image

quality,” IEEE Instrumentation & Measurement Magazine, vol. 14, no. 3, pp. 10-16, Jun. 2011.

[3] V. Matyas and Z. Riha, “Security of biometric authentication systems,” in 2010 International

Conference on Computer Information Systems and Industrial Management Applications (CISIM),

2010, pp. 19-28.

[4] R. Chellappa, P. Sinha, and P. J. Phillips, “Face Recognition by Computers and Humans,” Computer,

vol. 43, no. 2, pp. 46-55, Feb. 2010.

[5] N. V. Reddy, D. A. Krishna, P. S. Reddy, and R. Shirisha, “Neural network based intelligent local face

recognition using local pattern averaging,” in 2011 3rd International Conference on Electronics

Computer Technology, 2011, pp. 363-367.

[6] J.-M. Kim and M.-A. Kang, “A Study of Face Recognition Using the PCA and Error Back-

Propagation,” 2010 Second International Conference on Intelligent Human-Machine Systems and

Cybernetics, no. 1, pp. 241-244, Aug. 2010.

[7] S. Mitra and T. Acharya, “Gesture Recognition: A Survey,” IEEE Transactions on Systems, Man and

Cybernetics, Part C (Applications and Reviews), vol. 37, no. 3, pp. 311-324, May 2007.

[8] A. Ross, “An Introduction to Multibiometrics,” 2007, pp. 20-24.

[9] M. Deriche, “Trends and Challenges in Mono and Multi Biometrics,” in 2008 First Workshops on

Image Processing Theory, Tools and Applications, 2008, pp. 1-9.

[10] G. P. Kusuma, C.-S. Chua, and H.-L. Toh, “Recombination of 2D and 3D Images for Multimodal 2D +

3D Face Recognition,” 2010 Fourth Pacific-Rim Symposium on Image and Video Technology, pp. 76-

81, Nov. 2010.

[11] M. Nagesh Kumar and M. N. Shanmukha Swamy, “An efficient multimodal biometric face recognition

using speech signal,” 2010 International Conference on Signal and Image Processing, pp. 201-206,

Dec. 2010.

[12] C. Lu, J. Wang, and M. Qi, “Multimodal Biometric Identification Approach Based on Face and

Palmprint,” 2009 Second International Symposium on Electronic Commerce and Security, pp. 44-47,

2009.

[13] N. S. Lakshmiprabha, J. Bhattacharya, and S. Majumder, “Face recognition using multimodal

biometric features,” 2011 International Conference on Image Information Processing, no. Iciip, pp. 1-

6, Nov. 2011.

[14] A. F. Abate, M. Nappi, D. Riccio, and M. D. Marsico, “Face, Ear and Fingerprint: Designing

Multibiometric Architectures,” in 14th International Conference on Image Analysis and Processing

(ICIAP 2007), 2007, no. Iciap, pp. 437-442.

[15] A. A. Bhurane and S. N. Talbar, “Vision-based authenticated robotic control using face and hand

gesture recognition,” in 2011 3rd International Conference on Electronics Computer Technology,

2011, pp. 64-68.

[16] BIT, “Biometric Ideal Test,” 2011. [Online]. Available: http://biometrics.idealtest.org/. [Accessed: 04-

Apr-2012].

[17] X. Tan and B. Triggs, “Enhanced Local Texture Feature Sets for Face Recognition Under Difficult

Lighting Conditions,” Image Processing, IEEE Transactions on, vol. 19, pp. 1635 –1650, 2010.

27

ISSN 2317-3297