sistemas automáticos de identificação de impressões digitais (afis)
TRANSCRIPT
Sistemas Automáticos de Identificação de Impressões
Digitais (AFIS)
Motivação
● Demanda por segurança:– transações financeiras
– fraudes de identidade
– locais ou recursos restritos
● Identificação de indivíduos:– crimes
– fins civis
Motivação (2)● EUA:
– ~ $1 bi gasto anualmente com benefícios sociais para pessoas com múltiplas identidades
– com um sistema de identificação nas fronteiras, seriam detidos diariamente 3.000 imigrantes ilegais na fronteira com o México
● MasterCard gasta ~ $450 milhões por ano com reparos a fraudes
Biometria
● Biometria: ciência que estuda a identificação de pessoas através de características físicas– identificadores fisiológicos: digitais, íris, face
– identificadores de procedimento: voz, assinatura, dinâmica de digitação
● Problema de verificação (1:1)
● Problema de reconhecimento (1:n)
Problema de Verificação
Meios de verificação:
Ciência Forense● Associada ao problema de reconhecimento
● Definição: “Aplicação de um largo espectro da ciência para responder questões de interesse do sistema legal”1
● Reconhecimento de pessoas: impressões digitais, DNA (fio de cabelo, sangue), dentes, voz e face (obtidas em gravações)
● Identificação de objetos: armas de fogo (balística), máquinas de escrever
1Fonte: http://en.wikipedia.org/wiki/Forensic
Impressões Digitais
Atendem aos princípios da Biometria:
– Universalidade (exceção: http://www.xs4all.nl/~dacty/noprints.htm)
– Unicidade● (comparação com DNA de gêmeos)
– Imutabilidade
– Critério quantitativo
Amplamente aceitas no meio jurídico, forense e civil
Considerado meio mais prático, seguro e econômico de identificação existente (mais de um século de uso)
Histórico
● Pinturas pré-históricas: denotando autoria ou identidade
● 650, China: processos de divórcio
● Séculos XVII-XIX: diversos estudos sobre impressões digitais
● 1877, Jungipoor, Índia: identificação de indivíduos e autenticação de documentos através de digitais e palmas das mãos
● Antropometria (Bertillon, 1879) e fotografia como métodos de identificação
● Sistemas de classificação de digitais: Dr. Henry Faulds (1880)
● 1892: Finger Prints, de Sir Francis Galton: base científica
Histórico (2)
● 1897: sistema de classificação Henry
● 1900: substituição definitiva da Antropometria na Índia
● Implementações na Índia Britânica, África do Sul e Scotland Yard
● 1903, Brasil: instituído o sistema dactiloscópico e a emissão do “Cartão de Identidade” ou “Ficha Passaporte”
● 1969: FBI incentiva o estudo de sistemas automatizados de identificação
● 2001: primeiro teste com AFIS's totalmente independentes
Arquitetura de um AFIS
Obtenção da Impressão Digital
● Formação de cristas e vales● Impressão tintada em papel
– Fácil de obter, má qualidade
● Impressão latente– Gordura/sujeira acumulada nos dedos
– Muitas vezes é a única
possível (como em crimes)
– Má qualidade
Obtenção da Impressão Digital (2)
● Através de um leitor (scanner)● Tipos de leitores
– Ópticos (mais utilizados)
– Capacitivos
– Térmicos
– Ultra-sônicos
– Piezoelétricos, utilizando fibra óptica, campo elétrico
● Toque x deslizamento (maior segurança, implementação complicada)
Diferença entre imagem tintada em papel e obtida por leitor
Problema em Sistemas de Verificação● Alguns sistemas utilizam digitais para restringir acesso a
locais/dados
● Necessidade de detectar digitais falsas
● Possibilidade de burlá-los utilizando uma digital falsa feita de gelatina
– Características físicas da gelatina idênticas à da pele
– (Sandström, 2001) Todos os sistemas testados foram burlados
● Dificuldade em obter digital original
● Necessidade de combinar várias técnicas
● Técnica em teste: detecção de transpiração
● Problema: forjamento de provas
Características Globais
● Estrutura das cristas● Pontos singulares: núcleos e deltas
● Formas de detecção:● Índice de Poincaré● Dualidade das minúcias
● Podem ser utilizados para classificar uma impressão digital nos grupos do sistema de Henry
Características Locais● Pontos característicos, minúcias ou detalhes de
Galton
● Determinam a unicidade de uma digital● Utilizados nos AFIS: bifurações e cristas finais
Problema de Comparação
● Duas digitais são de um mesmo dedo?● Comparação da estrutura das cristas
– orientação, número, formato
● Comparação de detalhes complexos de uma única crista– minúcias específicas, poroscopia
● Comparação de minúcias– Regra dos 12 pontos
– Alto consumo de tempo
Extração de Minúcias
● Pré-processamento– Melhoria da qualidade da imagem
– Extração de aspectos
– pontual: cor'(p) = f1(cor(p))
– de área: cor'(p) = f2(cor(V(p))
● Representação interna– geralmente não se grava a imagem, mas uma
representação da impressão digital
Pré-processamento
• Binarização (Threshold)– transformação de uma imagem de tons de cinza em
preto/branco (imagem binária)
– Threshold adaptativo:• transformação feita por blocos (8x8 ou 10x10)
• valor de limiar (T) é calculado pela média dos tons de cinza do bloco
• imagem pode ter regiões mais claras/escuras
G(i, j) = | 0 se cinza(i, j) < T | 255 se cinza(i, j) >= T
(i= 0, 1, ......N; j = 0, 1, .....M)
Imagem após binarização
Pré-processamento (2)
• Afinamento (Thinning)– Obtenção da estrutura das cristas com dimensão
unitária– Facilita extração de minúcias– Utiliza máscaras que modelam a estrutura das cristas,
retirando pontos desnecessários
Pré-processamento (3)
• Filtro de limpeza do esqueleto– Pretende remover ruído da imagem afinada
• Reentrâncias nas cristas
Detecção de Minúcias
● Cálculo do Crossing Number (CN)– Pixel é uma bifurcação se possui 3 pontos vizinho
– Pixel é crista final se possui apenas 1 ponto vizinho
● Armazena-se, então:– Tipo da minúcia
– Direção e distância ao ponto singular (geralmente o núcleo)
– Direção da crista que contém a minúcia
Banco de filtros de Gabor
• Filtro para previnir minúcias falsas, formadas devido à má qualidade da imagem
• Determina a direção verdadeira da crista
Método Sintático de Comparação
● Trata-se a seqüência de registros de minúcias como uma string
● Aplicam-se transformações (edições: inserções, deleções) sobre a string candidata a fim de obter a string do BD
● Calcula-se o mínimo de transformações necessárias (programação dinâmica)
● Gera-se um índice de similaridade
● Imagem aceita se o índice é maior que um limite estabelecido (threshold)
● FRR = 19,5% FAR = 0,003%
Problema de Classificação
● Comparação de minúcias demorado● Seleção de um subconjunto do BD para posterior
comparação de minúcias● Técnicas utilizadas
– Redes neurais– Sistema de Henry
● Definição de classes difícil de formalizar● Algumas imagens não podem ser classificadas
– Combinação de técnicas
Sistema de Henry
• Classes de digitais– Distribuídas de forma desigual na população– Obs.: relação entre classe de digital e aptidão para
esportes• Classificação utilizada em bancos de dados de
papel:– Baseada em todos os 10 dedos– 1024 grupos diferentes– Ineficiente em uso computa-
cional (utilizada apenas nos
primeiros sistemas)
Técnicas de Classificação
• Através dos pontos singulares– Formas de identificação:
• Índice de Poincaré• Dualidade das minúcias
• Através do fluxo das cristas– Difícil de implementar
• Combinação das técnicas
Cálculo da Imagem Direcional
• Obtenção da direção das cristas na imagem binarizada
Cálculo da Imagem Direcional (2)
• Calculam-se as grandezas direcionais S1, ..., S7
• Sp = min {Si | i=1,...7}
• Sq = max {Si | i=1,...,7}
• Direção (depende da cor do pixel)
Suavização da Imagem Direcional
• A direção é obtida para grupos de 9 pixels (3x3) e não pixels individuais
• Métodos:– Moda: valor para o grupo é o valor mais freqüente– Seno-cosseno: média dos vetores da forma (cos2a,
sen2a)
Cálculo do índice de Poincaré
• Toma-se uma curva fechada em torno do pixel
• Calcula-se o somatório (S) das diferenças entre ângulos consecutivos no sentido anti-horário
• S > 90° S := S – 180°• S < -90º S := S + 180° Sendo <PSI> uma curva fechada
e O é a imagem direcional
Delta-180°
Núcleo180°
Ordinário0°
Tipo de pontoSomatório
Cálculo do índice de Poincaré (2)
• Atribui-se então uma classe com base no número de pontos singulares– Nenhum ponto: arco– Um núcleo e um delta: arco angular ou presilha
• Necessário calcular a direção do vetor núcleo-delta
– Dois núcleos e deltas: verticilo– Mais de dois núcleos ou deltas: necessário suavizar imagem
direcional (ex.: filtro gaussiano)
• Usando as duas técnicas combinadas, obtém-se 12,5% de erro.
• Utilizando uma mesma classe para arco e arco angular, obtém-se erro de 7,7%
Avaliação de um AFIS
● FAR (False Acceptance Rate)● FRR (False Rejection Rate)● EER (Equal Error Rate)
– Valor para o qual FAR = FRR
– Boa medida de qualidade
– FBI: classificação boa se● FRR = 20% FAR = 1%
Bibliografia● Sandstrom, M., Liveness Detection in Fingerprint Recognition
● Costa, S.M.F., Classificação e Verificação de Impressões Digitais
● Jain, A.-Pankanti,S., Fingerprint Classification and Matching
● Fingerprint Recognition (Notas do National Science and Technology Council)
● The Henry Classification System (Notas do International Biometric Group)
● Ferreira, A. A. M. Perfil dermatoglífico, somatotípico e das qualidades físicas de atletas brasileiros de corrida de orientação de alto rendimento
● http://en.wikipedia.org/wiki/Biometric
● http://en.wikipedia.org/wiki/Forensic
● http://en.wikipedia.org/wiki/Forensic_identification
● http://www.xs4all.nl/~dacty/noprints.htm