Sistema para controle de acesso com verificação via Biometria da mão e identificação por Chave de Hardware

Transcrição

1 Sistema para controle de acesso com verificação via Biometria da mão e identificação por Chave de Hardware Guilherme Boreki 1, Alessandro Zimmer 2 Abstract -- This work presents a new access control system based on a biometric code formed by geometric features extracted from the hand. The system was designed to be used with a second key (a hardware key), an individual private key and a biometric code. The private key can be given by any device in which the manufacturer can garantee as having an unique code, such as an Smart Card, ibutton or Magnetic Tags. The biometric code is formed by geometric primitives extracted from hand images, which are aquired by a common desktop scanner. The proposed system distinguishes itself from other similar systems mainly because of the use of a feature extraction technique based on the analysis of the curvature profile of the image. Through this, the system is invariant to the rotation and translation of the hand, becoming unnecessary the use of any kind of devices to restrict the positions of the hand (such as pins or pegs). Index-terms - biometry, access control system, hand geometry, invariant features. I. INTRODUÇÃO Este documento apresenta um sistema de controle de acesso baseado em identificação através de uma chave de hardware e verificação biométrica pela geometria da mão. A geometria da mão é uma medida biométrica com médio nível de individualização [1], onde algumas das informações que podem ser usadas para reconhecer o indivíduo são, largura dos dedos, comprimento dos dedos, tamanho da mão, entre outras. Neste projeto trabalhamos somente com a parte inferior da mão, utilizando as medidas de comprimento e largura dos dedos para a geração do código biométrico (biocode) e, portanto, sendo estes os dados que darão a individualização dos usuários. A principal inovação proposta neste trabalho está no fato de o método de extração de primitivas ser invariante em relação à rotação e translação da mão, o que permite que não seja necessário a utilização de objetos como pinos ou áreas segmentadas para leitura da mão [2][3], artefatos estes que tiram parcialmente a liberdade do usuário. Isto se faz possível utilizando-se de uma técnica de extração do grau de curvatura em regiões fechadas (como o contorno da mão), possibilitando que os pontos que separam as características possam ser encontrados independentemente da posição ou sentido da mesma. 1 Guilherme Boreki (guilherme@boreki.eng.br) 2 Alessandro Zimmer (zimmer@unicenp.br) UNICENP Centro Universitário Positivo Rua Professor Viriato Parigot de Souza, 5300 Campo Comprido, CEP Curitiba - PR Brasil. Além do descrito acima, o sistema utiliza um sensor de batimentos cardíacos para garantir que a mão esteja com pulsação quando posicionada no digitalizador, impossibilitando assim, o uso indevido de cópias ou decalques da mão. A Figura 1 mostra uma visão geral do sistema, com as entradas necessárias para validar o acesso. II. IDENTIFICAÇÃO O tratamento anteriormente descrito utilizado para extração das características individuais da mão do usuário, não serve para fazer a busca, a identificação deste usuário na base de dados. Para identificação é utilizado um ibutton, um chip de computador encapsulado em uma caixa de aço contendo uma chave individual que possui código único garantido pelo fabricante. Desta forma o grau de segurança do sistema é incrementado, pois além da senha biométrica é necessário possuir uma chave pessoa para realizar o acesso. O ibutton pode ser substituído facilmente por outro tipo de chave externa (smart card, magnetic tag). A leitura do código do ibutton é feita através um sistema microcontrolado, que envia os dados lidos ao PC através de uma interface RS232. Figura 1. Visão geral do sistema III. BATIMENTOS CARDÍACOS Para garantir que a mão colocada no digitalizador seja realmente de um usuário válido, foi utilizado um sensor de batimentos cardíacos posicionado no polegar. Este sensor é do mesmo tipo que o utilizado em esteiras ergométricas. O sensor e a interface foram conectados ao sistema microprocessado, este ficando responsável por enviar o sinal de vitalidade ao PC, indicando a validade da mão colocada no scanner. IV. VERIFICAÇÃO BIOMÉTRICA A verificação biométrica é feita em imagens da parte inferior da mão, podendo esta ser adquirida com um digitalizador (scanner) de mesa comum. 77

2 O procedimento para extração das características da mão é dividido basicamente em duas etapas. O primeiro processo é chamado de extração do contorno. Tal extração se faz necessária para a posterior geração do perfil de curvatura obtido aqui pela utilização do método DOS [8] (Difference of Slopes), método que dará ao projeto a característica de invariância à rotação e translação da mão. V. PRÉ-PROCESSAMENTO EXTRAÇÃO DO CONTORNO O objetivo da aplicação destes métodos é conseguir como resultado uma imagem que contenha uma área fechada, representando o contorno da mão. A Figura 2 mostra uma imagem original adquirida pelo scanner, e na seqüência o contorno desejado para esta imagem. Figura 4. Imagem Binarizada A análise de freqüências é feita no sentido vertical e horizontal, tomando o devido cuidado para que a largura do contorno seja um pixel em toda a sua extensão. Deste modo obtemos um contorno parecido com o mostrado na Figura 2. Para o fechamento do contorno é feita a retirada da parte do pulso do indivíduo, substituindo-a por uma curva com grau de curvatura constante, de modo a não influenciar nas técnicas utilizadas para extração das características biométricas. Figura 2. Imagem original e contorno esperado Objetivando alcançar o contorno, inicialmente se faz necessária uma operação de binarização visando a conversão da imagem original em escalas de cinza em uma imagem em preto e branco, separando o objeto (a mão) do fundo. Para seleção do limiar de separação foi implementado um método de seleção automática, conhecido como método de limiarização de Otsu [4]. Utilizando-se de conceitos de probabilidade e estatística o método encontra no histograma da imagem, um limiar ideal de corte separação do objeto e do fundo. Visando aumentar o contraste entre a mão e o fundo e facilitar o cálculo do limiar, foi construída uma caixa negra de acrílico. Além de eliminar a interferência luminosa externa, a caixa reflete a luz do próprio scanner para fora da área de leitura, garantindo que nenhum objeto além da mão será adquirido na imagem. A Figura 3 mostra como funciona o isolamento proporcionado pela caixa. Para se obter o contorno da mão basta detectar as bordas através de uma análise de freqüência da vizinhança de pixels, mantendo somente as áreas de alta freqüência. A Figura 4 mostra um exemplo de imagem sobre a qual podemos realizar a análise de freqüência. Luz refletida Figura 3. Caixa de isolamento Luz emitida Carro de leitura VI. EXTRAÇÃO DE CARACTERÍSTICAS Para atingirmos o objetivo desejado de invariabilidade em rotação e translação da mão, utilizamos uma técnica que toma o perfil de curvatura entre os pontos da imagem como característica principal, tendo como resultado a liberdade quase total para o posicionamento da mão do usuário quando da aquisição das imagens. Os pontos de curvatura de uma imagem são extremamente úteis, pois através deles podemos identificar um objeto em especial dentro da imagem [5][6]. No caso específico deste trabalho, os pontos de alta curvatura representam extremos a partir dos quais as medidas biométricas do indivíduo serão tomadas, como por exemplo, as pontas dos dedos, os vales entre os dedos, e as curvas do contorno da mão em geral. Para determinarmos o perfil de curvatura e calcularmos os pontos máximos, utilizamos uma técnica conhecida como DOS (Difference of Slopes). O método consiste basicamente em se percorrer o contorno da imagem com dois vetores de mesmo tamanho, calculando a diferença dos ângulos formados entre vetores sucessivos. A Figura 5 mostra como isso ocorre em uma curva qualquer. Os dois vetores V1 e V2 possuem o mesmo tamanho, e devem ficar em seqüência um do outro, V1 representa a extensão de V1, de modo que exista um ângulo entre V1 e V2. O perfil de curvatura em si representa encontrar todos os ângulos θ entre vetores, para todos os pixels da imagem, ou seja, colocar V1 no primeiro pixel do contorno, calcular θ, deslocar V1 em um pixel (e conseqüentemente deslocar V2 também) encontrar o novo θ e assim por diante. Todos os θ encontrados representam toda a curva do contorno do objeto. A Figura 6 mostra a representação geométrica dos vetores no plano cartesiano, considerando o inicio dos vetores na origem dos eixos, deste modo, podemos calcular os valores de α, β e θ simplesmente aplicando regras elementares de trigonometria. 78

3 Temos que α é o ângulo entre V1 e o eixo x, β o ângulo entre V2 e o eixo x, e θ o ângulo desejado, que é o ângulo formado entre V1 e V2. O valor de α pode ser encontrado utilizando-se a relação do triangulo formado pela origem e o ponto final de V1. Trabalhando com um triângulo retângulo podemos utilizar a relação entre a hipotenusa do triangulo e os catetos como mostrado na equação (1). (1) (o início do segundo vetor coincide com o término do primeiro). Uma variante do método (chamado de DOS+ [8]) caracteriza-se por apresentar uma distância de m pontos entre os vetores, esta distância deve ser determinada empiricamente. Em certas situações o método DOS+ se comporta melhor do que o método DOS. A fim de definir os valores dos vetores (ω) e do espaço entre eles (m), foi realizado um processamento em lote em 10 imagens, com os valores de ω variando de 30 a 120 pixels de 10 em 10, e os valores de m variando de 1 a 15, inicialmente de 5 em 5, e num segundo momento variando de 1 a 5 com intervalos de 1 pixel. Desta forma, chegamos a um valor de 90 pixels de tamanho para cada um dos vetores. Valores menores que isso geram ruído em excesso enquanto que vetores maiores suavizam demais o perfil de curvatura. Na Figura 8 observamos os dados da diferença entre curvaturas de todo o contorno da mão da Figura 4 (cortandose a região do pulso), onde cada ponto determina o ângulo formado pelos vetores naquele pixel do contorno. Conforme previsto, o gráfico gerado tem os pontos com maior grau de curvatura representando exatamente as pontas dos dedos, mais especificamente, a curva formada pela ponta dos dedos, enquanto que a lateral dos dedos (o comprimento do dedo em si) tem uma variação de curvatura baixíssima ficando próximo do zero. Graficamente isto pode ser visualizado na Figura 7, que mostra os pontos referentes as áreas de alta curvatura destacados (linha escura). Figura 5. Aplicação do DOS sobre uma curva Figura 7. Imagem com destaque nos pontos de alta curvatura Figura 6. Cálculo do ângulo entre os vetores VII. FILTRAGEM DO RESULTADO O cateto oposto é a própria altura do ponto final de V1. A mesma relação pode ser utilizada com V2, obtendo com isso o valor de β. O valor de θ pode então ser facilmente calculado, pois este será a diferença entre β e α. Como dito anteriormente, este cálculo deve ser realizado para todo o contorno da mão, resultando em um gráfico que poderá então ser analisado. Existem algumas peculiaridades com relação a este método de cálculo de curvatura [7], como por exemplo a mudança do quadrante referente ao arco-tangente, que pode gerar variações abruptas dentro do gráfico de curvatura, e conseqüentemente prejudicará qualquer análise posterior. Para estes casos é feito um tratamento à parte, analisando-se qual a direção e sentido de cada um dos vetores, e se necessário invertendo os operandos na subtração. O método DOS se caracteriza por trabalhar com dois vetores de tamanho fixo (ω) contendo um ponto em comum Em testes com aplicação simples do método DOS a variação do ponto central (ponta do dedo) chegou a ser maior do que 10%, tornando inviável sua aplicação direta. Para resolver este problema um processamento adicional foi feito como se segue. Analisando o gráfico da Figura 8 a área circulada que compreende dois picos representa a curvatura da ponta ou base de um dedo. Dependendo do valor da curvatura, eventualmente a ponta do dedo é representada por um pico único, como se fosse uma região única de alta curvatura. Tais variações dificultam o processo de segmentação dos dedos e terão que ser filtradas ou normalizadas a fim de facilitar o tratamento posterior. Para evitar este comportamento trabalharemos com o ponto médio entre as curvaturas máximas das pontas dos dedos, reduzindo desta forma as variações de posição de tais regiões. Além de unir os extremos, foi utilizado um filtro gaussiano com resolução σ variável, sendo este valor ao dobro do tamanho de ω 79

4 (tamanho do vetor do DOS) e os pontos de baixa curvatura foram aproximados de zero. Logo, mesmo que eventualmente possa existir um ponto isolado que tenha uma curvatura mais elevada, este tipo de filtragem irá aproximálo com os valores da vizinhança, sendo então excluído da análise. A Figura 9 mostra o conjunto de dados da Figura 8 com a aplicação do filtro gaussiano, com σ sendo o dobro do valor de ω. Podemos ver que mesmo com um valor aparentemente grande de sigma, podemos notar nas áreas circuladas, resquícios de um segundo pico próximo, podendo ainda prejudicar a imagem. Por esta razão foi aplicado na seqüência um filtro de média simples, com uma janela de análise do mesmo tamanho de ω. O resultado desta filtragem é mostrada na Figura 10 onde podemos ver claramente que os picos duplos foram eliminados. Para achar o ponto central que mais se aproxima do meio do dedo, não foi utilizado o ponto mais alto do pico em questão, mais sim o ponto central da faixa de alta curvatura. Para definir a largura desta faixa foram considerados somente os pontos cujo valor estava acima da média total da amostra acrescido de metade do valor médio. A Figura 11 mostra o gráfico da média, com as regiões de maior curvatura pintadas em cinza, o limiar utilizado para definir a região de alta curvatura está representado pela linha negra mais escura, e é definida pelos pixels do contorno que estão localizados dentro desta faixa. Os pontos centrais são calculados como os pontos que se encontram no meio desta área de alta curvatura, obtemos assim a posição da ponta dos dedos na imagem. Estes pontos centrais referem-se a posição do ponto central no contorno. Portanto para chegarmos a este ponto na imagem, o contorno deve ser percorrido novamente, e os pontos etiquetados. Existem dois pontos que devem ser tratados como exceção, são estes o ponto externo do dedo mínimo, e o ponto externo do polegar, pois estes se encontram em regiões de baixa curvatura. A posição onde tais pontos se encontram é estimada usando-se o tamanho do comprimento do lado interno do dedo, e somando-se com mais 15% ( pois o contorno do lado externo se mostrou maior que o lado interno). Mesmo com esta aproximação, a medida do comprimento destes dois dedos tem uma variação um pouco maior, precisando ser tratada de maneira diferente no momento do reconhecimento. Figura 8. Gráfico de curvatura do contorno Figura 9. Gráfico com um filtro gaussiano Figura 10. Gráfico com um filtro de média Figura 11. Pontos de alta curvatura da amostra VIII. CÁLCULO DAS MEDIDAS A partir deste ponto, o sistema possui 11 pontos, que representam os pontos centrais das áreas de maior curvatura. A determinação do comprimento pode ser feita traçando-se um triângulo entre três destes pontos. O valor aproximado do comprimento seria a linha média do triângulo. Esta linha média estará sempre dentro da área do dedo, pois como os pontos que formam a sua base estão nos cantos dos dedos, a linha média sempre será traçada internamente. Partindo deste princípio, a largura média pode ser calculada a partir de linhas perpendiculares a reta que define a linha média do triângulo. Esta linha média é dividida em 20 pontos, que são os pontos onde a largura será amostrada. Uma reta perpendicular é traçada até que sejam encontrados os limites (bordas) do dedo, e a largura aproximada do dedo é calculada pela média de todas estas larguras. A Figura 12 mostra uma imagem com as medidas demonstradas graficamente, onde a linha pontilhada no meio do dedo é a linha que representa o comprimento, e as linhas perpendiculares a esta são as linhas base para a medida da largura. 80

5 Figura 13. Área de aceitação do classificador Figura 12. Imagem com as medidas de largura e comprimento Como as medidas do polegar e do dedo mínimo possuem uma variação maior que os outros dedos, estes devem receber um peso menor no computo geral. Para manter a informação da medida biométrica de comprimento e largura, persistente em algum meio, é necessário extrair um conjunto de dados reduzido, e que ainda assim, seja capaz de fazer a individualização dos usuários. Para isso foi realizada uma análise de importância de cada uma das medidas adquiridas da mão. São verificados dentre os dedos quais os que apresentam maiores e menores taxas de variação, de modo que esta diferença seja reproduzida na geração do código biométrico e assim, tenha uma prioridade diferenciada no processo de verificação. Baseando-se nos dados coletados chegamos aos seguintes pesos, expressados nas equações (2) e (3) abaixo. C = 0 C D1 + 2C D2 + 2C D3 + C D4 + 0,2 C D5 (2) L = 0 L D1 + 2L D2 + 2L D3 + L D4 + 0,2 L D5 (3) Onde: C é o valor único para representar o valor médio de comprimento dos dedos; L é um valor para representar o valor médio de largura dos dedos C D1, C D2,..., C D5 é o valor de comprimento de cada um dos dedos, iniciando a partir do polegar. L D1, L D2,..., L D5 é o valor de largura de cada um dos dedos, iniciando a partir do polegar. X. RESULTADOS Para calcular o valor padrão da biometria de uma determinada pessoa utilizamos como base quatro amostras. Dentro destas, a pior, ou seja, aquela cujo valor mais se distancia da média, é descartada. A partir de uma base de dados com 80 indivíduos com quatro amostras de uma das mãos, foi realizada a extração de suas características biométricas usando-se os parâmetros previamente descritos neste documento. Os dados processados foram submetidos como tentativa de acesso contra os outros registros da base e contra o próprio valor padrão do usuário, verificando para cada código biométrico, se este estaria dentro ou fora da área de aceitação do classificador. Este tipo de teste nos permite calcular os índices de falsa aceitação (FAR), que representa a aceitação de um exemplar falso no sistema e o índice de falsa rejeição (FRR) que consiste na rejeição de um exemplar verdadeiro. A taxa de falsa aceitação resultante foi de 0,8% e falsa rejeição de 3,8%. Estes valores demonstram um bom grau de individualização dos usuários com o código biométrico extraído, sendo possível a implementação de um sistema de controle de acesso para áreas onde níveis médios de individualização são requeridos (médio nível de segurança). Deve-se considerar ainda que as amostras que chegam ao estágio de extração biométrica já passaram pelo crivo da verificação da identidade através da chave externa (ibutton). As Figuras 14 a 17 apresentam diversas amostras em posições distintas que foram submetidas para verificação no sistema, demonstrando a estabilidade perante as diversas posições em que as mãos foram colocadas. IX. CLASSIFICADOR A função do classificador é indicar se um determinado candidato faz parte de determinada amostra. Neste classificador, para cada usuário é calculada a variação do seu código biométrico, para os parâmetros de largura e comprimento dos dedos, esta variação será utilizada para definir os limiares de aceitação para os candidatos. Foi estipulado que um candidato deve ter sua largura e comprimento dentro de uma região que compreende duas vezes o desvio padrão das amostras. Tal critério resulta em uma região de aceitação pelo classificador de formato elíptico. Esta área de aceitação é demonstrada na Figura 13, sendo que para um candidato ser aceito seu código biométrico deverá estar dentro da elipse. O x representa o código biométrico padrão extraído a partir das amostras. Figura 14. Imagem de mão em posição simples após processamento Figura 15. Imagem de mão com dedos quase fechados 81

6 [6] L. O Gorman, An Analisys of Feature Detectability from Curvature Estimation, AT&T Bell Laboratories, Murray Hill, New Jersey, [7] A. Zimmer, L.L. Ling, Preprocessing: Segmenting by Stroke Complexity, Proceedings of the VI Iber-American Symposium on Pattern Recognition, p.89-94, out [8] L. O Gorman, "Curvilinear Feature Detection from Curvature Estimation", Proceedings of the 9th International Conference on Pattern Recognition, pp , 1988 Figura 16. Imagem de mão inclinada após processamento Figura 17. Imagem de bem aberta após processamento XI. CONCLUSÕES O desenvolvimento deste projeto permitiu demonstrar que é plenamente viável a utilização de um método de extração do grau de curvatura em um contorno fechado para extrair características biométricas invariantes à rotação e à translação da mão de uma pessoa. Permitiu ainda, visualizar que mesmo com uma quantidade reduzida de medidas (somente largura e comprimento dos dedos) é possível ter um bom grau de individualização, com uma taxa de falsa aceitação de somente 0,8%, o que torna viável a implementação de um sistema baseado somente nestes princípios, principalmente se utilizado com uma chave externa. A chave externa faz com que a probabilidade de que uma pessoa possa se passar por outra seja bastante reduzida, já que além de se apoderar do objeto chave, necessita ainda possuir uma geometria da mão compatível. Futuramente, melhorias podem ser implementadas neste projeto, como, por exemplo, utilizar outras medidas na geração do código biométrico, estas podem ser tamanho/largura da palma da mão, altura da mão, entre outras. Deve-se considerar também a averiguação de outros tipos de chaves eletrônicas além do ibutton, como os smart cards, magnetic tags, etc... XII. REFERÊNCIAS [1] International Biometry Group, Biometrics Market Report [online acesso em março/2003] disponível em [2] R. Sanchez-Reillo, C. Sanchez-Avila, A. Gonzalez-Marcos. Biometric Identification Through Hand Geometry Measurements, IEEE Trans. On Pattern Analysis and Machine Intelligence, [3] A. Jain, Arun Ross, A Prototype Hand Geometry-based Verification System. Michigan State University, [4] Otsu N., A Threshold Selection Method from Gray-level Histograms, IEEE Transactions on Systems, Man and Cybernetics, [5] M. Worring, A. W. M. Smeulders, The Accuracy and Precision of Curvature Estimation Methods, University of Amsterdam,