Reconhecimento de Impressões Digitais

Transcrição

1 Departamento de Estatística, Matemática Aplicada e Computação Unesp Rio Claro Reconhecimento de Impressões Digitais Visão Computacional Ciências da Computação Noturno Daniel Carlos Guimarães Pedronette Delano de Milano Djalma Fadel Junior 1

2 Índice Apresentação Introdução Contextualização Motivação Descrição do Problema Histórico Aplicações Metodologias e Soluções Características Identificáveis Pré-processamento Binarização Esqueletização Extração de Características Identificação Comparação de Minúcias (Matching) Classificador de Bayes Nearest Neighbour Redes Neurais Artificiais Exemplos Perspectivas futuras Conclusões Bibliografia

3 Apresentação O trabalho proposto visa construir uma conceituação geral das aplicações de reconhecimento de impressões digitais. Para tanto, serão abordados diversos aspectos, desde as aplicações que impulsionaram pesquisas e o panorama histórico da tecnologia até a descrição das metodologias e apresentação de exemplos. Espera-se, ao fim do trabalho, oferecer uma base de conhecimentos que torne possível visualizar as aplicações de técnicas de Visão Computacional para o reconhecimento de Impressões Digitais, assim como possibilitar como essas técnicas são aplicadas. Visando atingir os objetivos propostos para o trabalho foi incluído também um código criado em MatLab como exemplo de parte do processo de reconhecimento. 3

4 Introdução Contextualização Diversos padrões e características têm sido usados para diferenciar e identificar individualmente cada ser humano. As impressões digitais, marcas presentes nas pontas dos dedos dos seres humanos, podem ser utilizadas para identificação, já que dois seres humanos nunca possuem as mesmas digitais, nem mesmo irmãos gêmeos, e estes sinais em geral permanecem inalterados durante a vida de um indivíduo, exceto por ocorrência de lesões ou degeneração. Existem também outras formas de ressaltar essa individualidade, entre elas, a identificação por assinatura, pelos padrões dos vasos sangüíneos da retina, pelas características da íris, pela voz, utilizando os traços que percorrem toda a mão, pelo reconhecimento da face, ou ainda, pelo material genético. Várias pesquisas têm sido realizadas nessas áreas, já que esses estudos geralmente convertem-se rapidamente em aplicações práticas que podem ser usadas no cotidiano da humanidade. Nota-se que, hoje em dia, sistemas automáticos de identificação pessoal estão inseridos em diversas partes da vida humana, desde o controle de acesso de pessoas a locais restritos, passando pelo acesso a contas bancárias, registro de empregados em empresas, permissão de uso de recursos de computadores em redes e, com o advento da Internet, até mesmo no comércio eletrônico. A pesquisa intensa nesta área vem objetivando utilizar o corpo humano ao invés de cartões, já que esses podem ser perdidos ou utilizados indevidamente por pessoas não autorizadas. Essa técnica é chamada de biometria. A biometria pode ser definida como sendo as mensurações fisiológicas e/ou características de comportamento que podem ser utilizadas para verificação de identidade de um indivíduo. Motivação No início das pesquisas envolvendo biometria, a identificação pessoal era realizada de forma manual, por especialistas humanos. Entretanto os procedimentos manuais de identificação de impressão digital sofrem um grande número de limitações, que tem tornado o processo muito ineficiente. Algumas dessas limitações se referem às características das impressões, que são extremamente pequenas, sendo necessário o auxílio de lentes de aumento para realizar um melhor exame das marcas de impressão na imagem. Deve-se ainda considerar o tamanho do banco de dados, o que pode levar a análise e comparação manual demorar dias, aumentando ainda a probabilidade de falha humana no processo. Tendo por objetivo aperfeiçoar a qualidade e melhorar a velocidade dos processos de identificação pessoal têm sido desenvolvidos sistemas automáticos e semiautomáticos baseados nos avanços da tecnologia de reconhecimento de padrões e processamento de dados. Esse processo de identificação conhecido como reconhecimento de impressão digital vem se tornando uma das técnicas mais utilizadas na identificação pessoal automatizada nos últimos anos. 4

5 Descrição do Problema O reconhecimento automático de impressões digitais pode ser realizado utilizandose diversos modelos computacionais. Para atingir os objetivos é necessário combinar diferentes técnicas para formar um processo completo de reconhecimento. Os modelos computacionais de Reconhecimento de Padrões possuem quatro etapas básicas que são: Aquisição, Pré-Processamento, Extração de Características e Classificação. A primeira fase é responsável pela captura das imagens de impressões digitais que podem ser obtidas por dois procedimentos: impressão tintada em papel ou com a utilização de um leitor biométrico. Após o processo de captura, as imagens de impressão digital são pré-processadas visando à otimização da qualidade das imagens. A fase subseqüente é o processo de extração de características, essa fase tem como objetivo reduzir a dimensionalidade dos dados de entrada e gerar uma representação que modele os dados originais. No caso de impressões digitais, ainda nessa fase, é necessário um procedimento para eliminar as falsas características encontradas na imagem. A última fase é responsável pela classificação das imagens. Os métodos de Visão Computacional estão extremamente presentes nas duas fases intermediárias: Pré-Processamento e Extração de Características. 5

6 Histórico Embora a popularização da biometria só tenha ocorrido com o advento da tecnologia do século XX, a utilização das impressões digitais na identificação pessoal vem sendo observada desde a pré-história, quando povos primitivos marcavam com impressões digitais seus produtos de cerâmica. Os primeiro povos a usarem a impressão digital foram os chineses no século VII em processos de divórcio e posteriormente no século XIV nos casos criminais. Na Índia, durante o século IX, as impressões digitais foram usadas pelos analfabetos para a legislação de papéis. Em 1684 iniciou a história da datiloscopia com a apresentação do relatório de Grew à Real Sociedade de Londres. Esse relatório descrevia os desenhos papilares da mão. Posteriormente em 1686, Marcelo Malpighi, médico italiano, publicou o trabalho Epístola sobre o órgão do tato. Em 1823 João Evangelista Purkinje apresentou à Universidade de Breslau na Alemanha, uma tese na qual analisava os caracteres externos da pele, estudou o sistema déltico e agrupou os desenhos digitais em nove categorias. Todavia as primeiras aplicações da datiloscopia à identificação devem-se a dois ingleses: William J. Herschel e Henry Faulds. O primeiro iniciou em 1858 quando obrigou dois nativos a colocar as impressões de seus dedos em um documento após terem assinado. A sua intenção ao fazer isso era de ligar a palavra dos contratantes por um ato simbólico. Já o segundo analisou desenhos papilares em objetos pré-históricos de cerâmica e resolveu estudar as cristas digitais. A partir desses estudos, ele observou que as impressões são individuais e sugeriu, em 1880, que as impressões encontradas em local de crime fossem utilizadas para a descoberta do criminoso. Após essas primeiras aplicações, Francis Galton, Em 1888, lançou as bases científicas da impressão digital. E posteriormente em 1900 Edward Richard Henry publicou na Inglaterra seu livro Classification and Uses of Fingerprints expondo seu novo sistema de identificação dactiloscópico, adotando quatro tipos fundamentais, que são: Arcos, Presilhas, Verticilos e Compostos. Em 1901, um ano depois de Henry expor o seu sistema foi adotado oficialmente na Inglaterra pela Scotland Yard e a partir desse ano a identificação baseada em impressões digitais foi formalmente aceita pela justiça e governo na Inglaterra como método de identificação pessoal. No início, a identificação pessoal era realizada de forma manual, por especialistas humanos. Com o passar dos tempos e com o surgimento do computador, o objetivo era realizar essa tarefa de identificação através de programas. Sabendo-se que os computadores podem realizar tarefas com maior velocidade que os humanos, e também, que eles podem oferecer uma maior confiabilidade no processo de identificação, pois não dependem de nenhuma característica inerente ao ser humano, como: fadiga ou interesse em resultados tendenciosos. No meio da década de 70, a instalação de um sistema de reconhecimento era privilégio de empresas de alto nível, como: empresas do governo que tratavam de energia nuclear. Atualmente, o aumento da capacidade e da velocidade dos circuitos de computadores, juntamente com o barateamento do mesmo, unido ao imenso crescimento do seu uso, conseguiu-se reduzir bastante o custo de desenvolvimento e de instalação de um sistema de reconhecimento. Assim, é possível encontrar diversas organizações que já utilizam esses sistemas para melhorar a segurança do empreendimento fazendo uso desses sistemas de reconhecimento. 6

7 Aplicações As aplicações deste segmento biométrico, ou seja, das impressões digitais, destina-se ao aumento de segurança e agilidade em operações empresariais, governamentais ou institucionais. Algumas aplicações são apresentadas a seguir: Forças Armadas Por anos, a comunidade das forças armadas tem utilizado impressões digitais para identificação criminal. Digitais coletadas por meio de tintas em cartões tem sido enviadas para sites que utilizam o sistema AFIS (AUTOMATED FINGER IDENTIFICATION SYSTEM) para processamento. Governo e Repartições Públicas Ao redor do mundo, governos e repartições públicas estão estabelecendo uma larga escala de identificação e sistema de verificação por impressão digitais, carteira de identidade nacional, passaporte, controle de imigração, carteira de habilitação, seguridade nacional, porte de armas e outros. O potencial de negócios e aplicações para identificações, coleta e sistemas de verificação por impressões digitais é imenso. Transações Eletrônicas Fraudes em transações eletrônicas de valor monetário tem custado aos consumidores, comércio e indústrias bilhões de dólares de cada ano. As aplicações incluem: terminais de ponto de vendas, caixas automáticos de bancos, Smart Cards, segurança em transações e negociações no local de trabalho, comércio eletrônico e outras. Armazenar dados de uma impressão digital(biometricamente) em SmartCards é habitualidade reconhecido como uma medida de segurança para identificação de usuários e também proporciona um outro nível de segurança para transações via internet. Controle de Ponto No comércio, indústrias e empresas, o sistema de identificação de impressões digitais tem sido utilizado para controle e gerenciamento de ponto substituindo o controle tradicional de controle de ponto por cartões. A habilidade de selecionar e controlar a entrada de pessoas, saídas e períodos de descanso individualmente gera um sistema efetivo de controle de horário, reduzindo o tempo redundante para o controle de dados e incrementando principalmente a produtividade. Controle de Acesso e Presença A tecnologia para identificação e verificação através das impressões digitais também é utilizada para restringir acesso a locais controlados ou áreas restritas até mesmo maquinário e equipamentos. Sistemas de controle de acesso baseado na verificação da impressão digitais permitem um controle muito apurados aos usuários, aumentando consequentemente o nível de segurança. 7

8 Metodologias e Soluções Características Identificáveis A epiderme humana apresenta pequenas elevações, denominadas papilas dérmicas. Essas papilas são perceptíveis, através da membrana superficial, em algumas regiões do corpo humano, tais como, nas palmas das mãos, nos dedos das mãos e pés e na planta dos pés e estão dispostas em fileiras regulares. Essas fileiras são separadas umas das outras por sulco ou vales e são conhecidas pelo nome de cristas papilares. As Identificações Digitais (IDs) diferenciam-se sob dois critérios principais. O primeiro critério está relacionado ao Grupo da impressão e o segundo critério está relacionado à distribuição planar das Minúcias. O critério de Grupo representa uma visão macroscópica da Identificação Digital, definida pelo comportamento das linhas datilares nos dedos. Em função deste comportamento, uma ID é classificada, grosso modo, como arco, verticilo, presilha externa ou presilha interna. Esta visão macroscópica permite, num processo de comparação de duas IDs, afirmar a não identidade no caso de Grupos diferentes. Quando os Gruposs de duas IDs (Padrão Candidato) são iguais, o segundo critério, das Minúcias, permite afirmar ou não a identidade em função da ocorrência ou não de um mapeamento posicional entre os diversos tipos de Minúcias As minúcias são locais descontínuos no padrão da impressão, linhas que terminam abruptamente ou se bifurcam. Essas minúcias estabelecem a unicidade das impressões. Existem vários tipos de minúcias, como exemplifica a figura 1 e 2. Crista Final Crista Curta Bifurcações Espora Ilha Cruzamento Fig. 1. Alguns tipos de minúcias encontradas nas imagens de impressão digital. Todavia, para o processo de automatização de extração e comparação de características apenas dois tipos de minúcias são consideras: crista de terminações, ou crista final e de bifurcações, já que essas formam a grande maioria percentual das minúcias como pode ser observado na Tabela 1. Uma crista de terminação é definida como um ponto onde a crista termina bruscamente, enquanto cristas bifurcadas são definidas como a divisão de uma crista em duas ou mais cristas. 8

9 Tabela 1. Freqüência de Minúcias Para se confirmar a identidade de uma ID, deverão ser coincididos no mínimo doze minúcias, as quais devem ser encontradas da mesma forma, localização e mesma quantidade nas duas impressões em comparação. Também não pode haver minúcias diferentes, que se encontram na impressão testemunha e não estão presentes na impressão suspeita. Pré-processamento Após a realização do processo de aquisição as imagens capturadas podem sofrer imperfeições, ou ainda, não estarem em condições ideais para servir como entrada a um classificador, por esse motivo, existe a necessidade de uma fase de processamento nas imagens, conhecida como pré-processamento, que consiga remover os ruídos encontrados nas imagens, ou seja, eliminar erros provocados na fase anterior (aquisição), e preparar a imagem para as fases seguintes (extração de características e identificação). Essa preparação tem como objetivo otimizar e extrair aspectos de uma imagem cujo resultado deve apresentar menos resultados que a imagem original. Filtros As imagens digitais podem sofrer uma série de operações denominadas operações com filtros. Essas operações realizam tarefas como ressaltar elementos, suavizar ou aumentar o contraste, detectar bordas, remover ruídos entre outras. O filtro da média é bastante utilizado na fase inicial quando o objetivo é a redução de ruídos nas imagens. Esse filtro substitui o nível de cinza de cada pixel pelo valor da média de níveis dos pixels na vizinhança. A principal função desse filtro é forçar pontos com diferentes intensidades a terem valores mais próximos de seus vizinhos. 9

10 Depois de eliminados os ruídos através do filtro da média, filtros de contraste (passa-alta) são aplicados. Um exemplo desse tipo de filtro implementado é o filtro direcional. A saída desses filtros resulta em quatro imagens cujas informações devem ser agrupadas novamente para a produção de uma única imagem. A aplicação do filtro de contraste é melhorar a discriminação visual entre os elementos da imagem analisada. Fig. 2. Filtro de Suavização Fig. 3. Filtro de Contraste Binarização A binarização é aplicada quando se tem interesse em ter resolução das formas nela presentes, como por exemplo, contornos, padrões geométricos específicos e outros. O processo prático consiste em transformar as linhas datilares, adquiridas em 256 níveis de cinza a dois níveis: preto e branco. O processo não pode destruir as minúcias, fins-delinha e bifurcações, presentes na impressão digital. A binarização de uma escala consiste em se determinar um valor limiar (threshold) de forma que todos os valores inferiores a este limiar sejam levados para um mesmo valor base. Todos os valores superiores a este limiar serão levados para um mesmo valor de topo. Desta forma é realizada a chamada binarização da imagem, na qual, partindo de uma imagem, do tipo escala de cinza, obtém-se uma imagem com apenas dois níveis. O limiar pode ser estabelecido de forma interativa durante o processo de digitalização, de forma a tornar o ajuste o mais perfeito. 10

11 Fig 4. Binarização (a) Imagem em tons de Cinza, (b) Imagem binarizada Esqueletização A geração de um esqueleto digital é freqüentemente um dos primeiros passos em sistemas de visão computacional, quando o objetivo é extrair características de um objeto em uma imagem. Um esqueleto de um objeto visa representar a forma do objeto em um número menor de pixels no qual todos eles são necessários. Com essa idéia, o esqueleto deve ter todas as informações contidas na imagem original: posição, orientação e comprimento dos segmentos. Com o objetivo de reduzir os dados redundantes e preservar a continuidade das cristas de uma impressão, algoritmos para a detecção do esqueleto de uma imagem são adotados na maioria de métodos de processamento de imagem de impressão digital. Alguns que se baseiam na morfologia do objeto, outros usam o seu contorno e outros tratam o objeto como um polígono. Entre vários métodos um deles tem sido usado como base de comparação para métodos de esqueletização, pois é fácil e simples de implementar; sendo ele o algoritmo de Zhang-Suen. Fig. 5. Esqueletização Extração de Características Utilizar toda a imagem como entrada para um classificador pode ser considerado um desperdício de tempo já que é grande a probabilidade das existências de dados redundantes e/ou irrelevantes, influenciando também no esforço computacional necessário e no tempo gasto para o seu processamento. É interessante, diminuir o tempo 11

12 de processamento, transformar os dados de entrada em alguma outra representação antes de apresentá-lo a um classificador. Por isso a maioria das abordagens para identificação de impressão digital utiliza minúcias para a identificação de padrões de impressões digitais. A maioria dos algoritmos realiza a extração de minúcias a partir de imagens binarizadas esqueletizadas (Figura 5). Mas também existem outros tipos de técnicas que extraem as minúcias diretamente da imagem em tons de cinza. As técnicas de extração de imagem têm como objetivo focar a atenção do processo de reconhecimento apenas nas características relevantes do padrão a ser estudado. Além disso, essas técnicas também reduzem o tempo desprendido pelo computador na fase seguinte (identificação/compreensão). Nessa etapa, é fato de que a diminuição na dimensão da imagem levará alguma perda de informação, mas o importante é que essas técnicas consigam eliminar apenas informações que possuam pouca importância no conjunto da imagem. O processo de extração está intimamente ligado ao processo de classificação já que, em geral, um bom conjunto de características irá propiciar uma alta taxa da classificação correta. As características que são utilizadas para a identificação de impressão digital são chamadas de minúcias. Um dos principais problemas na comparação de minúcias são os ruídos encontrados na imagem, devido à baixa qualidade da imagem, e que podem futuramente ser classificados como minúcias ou minúcias válidas podem não ser detectadas, portanto, detecção de minúcias é um processo crucial em comparação de impressão digital. Os ruídos considerados como minúcias são chamados de falsas minúcias, por isso nesse processo é necessário que as falsas minúcias sejam eliminadas. Uma das técnicas mais utilizadas para a detecção de minúcias é conhecida como Crossing Number (CN). Essa técnica determina as propriedades de um pixel simplesmente contando o número de transições preto e branco existentes na vizinhança do pixel que está sendo processado. O Crossing Number de um ponto P é dado pela Equação 1. CN = 0.5 P i P i+1 Equação 1: Onde P i é o valor do pixel na vizinhança P. P i = (0 ou 1) e i é um ciclo de período 8, ou seja, P 9 = P 1. Para um pixel P, denominado pixel central, considera-se oito (8) vizinhos na vizinhança 3x3, sendo que cada pixel pode ter valores zero (0) ou um (1). A Tabela 2 ilustra como o pixel central e seus vizinhos estão organizados em uma imagem. As cristas finais e as cristas bifurcadas em uma imagem de impressão digital são detectadas utilizando-se as propriedades de Crossing Number. O valor obtido por essa técnica indica a propriedade do pixel, ou seja, se o pixel é referente a uma crista final, o valor obtido 1 ou bifurcada, o valor obtido é três 3. Essas cristas são relatadas para posterior comparação, fase de identificação. Assumindo-se duas imagens de mesmo tamanho, cujas aquisições foram feitas sob mesma condição de pressão, sem influência de rotação e translação, faz-se o cálculo do Crossing Number até que seja satisfeita a condição de similaridade. P 4 P 3 P 2 P 5 P P 1 P 6 P 7 P 8 Tabela 2. Vizinha de 8 para algoritmo Crossing Number 12

13 Identificação Após a detecção dos pontos característicos na impressão, ou seja, minúcias, o sistema pesquisará nas impressões digitais armazenadas em um banco de dados para verificação de qual a impressão que possuem características semelhantes a estas encontradas. Então será apresentado o nome do candidato mais provável da identificação. A maioria das técnicas propostas para Reconhecimento de Padrões de imagem digital é baseada em abordagem estatística e estrutural. Geralmente, a primeira abordagem utiliza características estatísticas para comparar individualmente uma impressão e a outra utiliza informações estruturais para classificar a impressão em padrões, ou classes. Comparação de Minúcias (Matching) Uma dada impressão digital é comparada com todas as impressões digitais. Os sistemas biométricos automáticos disponíveis no mercado consideram várias informações como, por exemplo, a posição, o tipo, a orientação e a distância entre as minúcias visando otimizar o desempenho na fase de identificação. Existem várias funções de comparação, como por exemplo, função de comparação baseada na medida de similaridade. Em algumas abordagens o algoritmo considera a posição (x, y), o tipo de minúcia (crista final ou bifurcada) e a direção. Desta forma, duas imagens (uma imagem de referência e outra de teste) são coincidentes quando localizadas na mesma posição, pertencerem ao mesmo tipo e terem a mesma direção. Ou seja, duas minúcias são consideradas pares se seus atributos são próximos uns dos outros. O valor é calculado para todas impressões digitais, as impressões digitais com maior pontuação constituem as candidatas mais prováveis, ou seja, as mais similares à imagem em teste. Em outra abordagem o algoritmo é composto por uma fase de normalização e uma fase de reconhecimento. Na fase de normalização, a idéia é determinar parâmetros de normalização (um vetor de translação, um ângulo de rotação e dois pontos centrais, um na primeira imagem e um na segunda imagem, que serão usados para equiparar'' uma imagem à outra). Para isto, para cada minúcia presente nas imagens é definida uma característica local composta pelo tipo da própria minúcia (que será o ponto central da característica) além dos tipos das 5 minúcias mais próximas e dos ângulos relativos entre os 5 vetores determinados pelas minúcias mais próximas e a minúcia central. Classificador de Bayes O classificador de Bayes tem como função à utilização de métodos estatísticos para a minimização de risco de erro ao se classificar determinado padrão em determinada classe. Para tal assume se que todos os valores probabilísticos são conhecidos antecipadamente. A grande dificuldade do uso do classificador de Bayes é a necessidade de se conhecer antecipadamente as probabilidades relevantes, o que nem sempre é possível. 13

14 Nearest Neighbour A técnica de Nearest Neighbour é fácil de ser utilizada em classificação de padrões, não é necessário conhecer a lei de probabilidade que rege cada classe. Entretanto existe um problema, no que diz respeito à memória requerida pelo algoritmo, já que o tamanho da memória será da ordem do número de padrões usados como referência. O problema foi instanciado para o caso de apenas um vizinho mais próximo, que será denominado 1-NN (1- Nearest Neighbour), tem se que um padrão será classificado na classe que contiver um elemento, cuja distância entre ele e o padrão será a menor dentre todos os outros elementos e o padrão. Um problema inerente à técnica é, então, descobrir uma medida confiável para classificar os padrões. Essa técnica faz o uso de uma medida de distância. As técnicas de medidas que podem ser utilizadas na técnica de Nearest Neighbour são a distância Euclidiana, distância de Hamming e distância Square. A distância Euclidiana é uma das métricas mais usadas e é definida pela Equação 2, para o caso n dimensional. Sejam dois vetores: X = (x 1, x 2,..., x n ) e Y = (y 1, y 2,..., y n ) d(x,y) = v n i=1 (x i - y i ) 2 Equação 2. Distância Euclidiana À distância de Hamming é uma medida simples, que avalia a diferença entre cada componente dos padrões, os quais estão sendo tratados. À distância de Hamming é representada pelo somatório da Equação 3. H = n i=1 ( x i - y i ) Equação 3. Distância de Hamming À distância Square é uma simplificação da distancia euclidiana, como mostrado na Equação 4. d(x,y) = MAX x i - y i Equação 4. Distância de Square Redes Neurais Artificiais Redes Neurais Artificiais (RNA) possuem propriedades implícitas, tais como a capacidade de generalização, abstração, aprendizagem a partir de exemplos. Assim é possível extrair conceitos dos exemplos. Apesar das técnicas de RNA serem bastante utilizadas em várias aplicações, poucos trabalhos ainda são encontrados que utilizando-se das RNAs para a fase de identificação de uma impressão digital, já que essa metodologia ainda não foi formalmente validada para esses propósitos. 14

15 Exemplos Tendo por objetivo a visualização prática dos processos envolvidos na compreensão de imagem por computador, o trabalho proposto apresenta um algoritmo para exemplificar as primeiras fases da visão computacional. O algoritmo foi construído em MatLab e trabalha as fases de pré-processamento e extração de características. Nessa segunda fase o algoritmo propõe-se a identificar as minúcias em formato de bifurcações. function impdigital (figura) img_in = imread(figura); subplot(3,2,1),imshow(img_in), title('original'); %Filtros para Eliminaçao de Ruídos img_in = medfilt2(img_in,[3 3]); %Filtro da Mediana mask = [ ]; img_in = imfilter(img_in,mask,'conv'); %Filtro Passa-Altal img_in = medfilt2(img_in,[3 3]); %Filtro da Mediana subplot(3,2,2),imshow(img_in), title('imagem Filtrada'); img_bw = im2bw(img_in,0.5); %Binarizaçao subplot(3,2,3),imshow(img_bw), title('imagem Binarizada'); img_bw = not(img_bw); %Negativo img_fil = bwmorph(img_bw, 'spur'); img_skel = bwmorph(img_fil,'skel',inf); %Esquelitizaçao subplot(3,2,4),imshow(img_skel), title('esqueletizaçao'); mask_hr = [ %Elementos Estruturantes para Bifurcações ]; mask_hl = [ ]; mask_vt = [ ]; mask_vb = [ ]; %Aplicando Elementos Estruturantes para Bifurcações img_out = imerode(img_skel,mask_hr); img_out = img_out + imerode(img_skel,mask_hl); img_out = img_out + imerode(img_skel,mask_vt); img_out = img_out + imerode(img_skel,mask_vb); %Destacando Bifurcações encontradas edilate = strel('disk',7); img_out_ball = imdilate(img_out,edilate); img_out_bif = and (img_skel,img_out_ball); subplot(3,2,5),imshow(img_out_bif), title('bifurcações'); img_out_fim = or (img_skel,img_out_ball); subplot(3,2,6),imshow(img_out_fim), title('resultado Final'); 15

16 16

17 Perspectivas futuras Embora os processos de reconhecimento de digitais tenham sido alvo de estudos e pesquisas por todo o mundo há décadas, ainda não é uma tecnologia saturada. Mesmo obtendo índices satisfatórios de velocidade e precisão nos algoritmos de verificação e busca ainda há tópicos a aperfeiçoar: Desenvolvimento de técnicas de pré-processamento visando melhoria das cristas em imagem de impressões digitais (image enhancement), Estudo de técnicas de segmentação e restauração e imagens para utilização em imagem latentes, Análise dos poros (poroscopia) incorporados as demais minúcias para o propósito de verificação, Estudo de um método que permita extração de aspectos diretamente de imagens em tons de cinza. Isto evitaria todo o processo abordado em verificação, como a binarização da imagem (threshold) e principalmente o afinamento/esqueletização que é um algoritmo que consome muito tempo de processamento uma vez que se trata de um algoritmo iterativo. 17

18 Conclusões Durante o decorrer do trabalho apresentado foi possível perceber e verificar a importância de cada fase envolvida no processo, aplicando diversos conceitos de visão computacional. Filtros: foram utilizados filtros passa-baixa (mediana) e passa-alta para eliminação de ruídos e destaque das informações desejadas. Operações Morfológicas: foi possível observar a aplicação das operações de esquelitização, e também erosão (em alguns casos) para identificação das minúcias Em contato com todo o processo, foi possível concluir que, embora baseados em outras fases, a extração de características e compreensão da imagem são operações que podem tornar-se extremamente complexas. De forma geral,podemos concluir que o processo de reconhecimento de digitais é um quebra-cabeças de técnicas de técnicas de visão computacional aliadas algumas vezes a estatística e inteligência artificial para a fase de compreensão da imagem. 18

19 Bibliografia Costa, S. M. F., Classificação e verificação de impressões digitais, 2001, Tese de Mestrado, Universidade de São Paulo. Vaquero, D. A., Verificação de Impressões Digitais utilizando Morfologia Matemática, Dezembro, Dezembro de 2003, Universidade de São Paulo. Ferreira, A., Pereira A. de S., Carreira, T. G. M., Proposta de Implementação de Sistema de Segurança Utilizando Sistemas Biométricos, Novembro de 2001, Universidade do Amazonas. Costa, K. M. da, Investigações de Plataformas Computacionais para Identificação de Impressão Digital, Fevereiro de 2003, Universidade Federal de Pernambuco. Gumz, R. A., Protótipo de um Sistema de Identificação de minúcias em impressões digitais utilizando Redes Neurais Artificais FeedForward Multicamada, Junho de 2002, Universidade Regional de Blumenau. 19