Relatório. José Jasnau Caeiro. Docente. Gildo Soares e Hugo Brás. Discentes. Tecnologias Biométricas. Mestrado em Engenharia da Segurança Informática

Transcrição

1 Relatório José Jasnau Caeiro Docente Gildo Soares e Hugo Brás Discentes Tecnologias Biométricas Mestrado em Engenharia da Segurança Informática Junho 2012

2 Conteúdo Índice Geral Lista de Figuras Lista de Tabelas i ii iii 1 Introdução 1 2 Teoria Aquisição das Imagens Processamento Normalização e Segmentação Tratamento da Região de Interesse Extração de Características Comparação Aplicações 10 4 Conclusão 12 5 ANEXOS 13 6 ANEXO I - Manual de Utilização Instalação Utilização Tempos de Execução Bibliografia 16 i

3 Lista de Figuras 2.1 Imagem 006_r_850_05.jpg Imagem Binarizada Contornos da Mão Contornos da mão e poligono externo Representação da linha E w Representação do ângulo de rotação Imagem limpa após rotação Tratamento da Imagem Imagens Palma da Mão ii

4 Lista de Tabelas 3.1 Resultados iii

5 1 Introdução O presente trabalho está inserido da disciplina de Tecnologias Biométricas do Mestrado em Engenharia de Segurança Informática e teve como objetivo a implementação de um sistema biométrico com base no artigo cientifico Human Indentification Using Palm-Vein Images (Zhou and Kumar, 2011)[8]. O programa foi desenvolvido recorrendo a linguagem Python, utilizando as bibliotecas Scipy, Numpy, OpenCV, Sympy e Scikits. As imagens utilizadas nos testes foram obtidas com a devida autorização através da base de dados CASIA Multi-Spectral Palmprint Database.[6] A utilização de sistemas biométricos, para a indentificação de pessoas automaticamente e com fortes padrões de certeza é cada vez mais um desafio que se apresenta. O sistema biométrico apresentado pelos autores Yingbo Zhou e Ajay Kimar é utilizar as veias da mão para identificação dos indivíduos. No artigo são estudados duas novas formas de melhorar o desempenho dos sistemas biométricos através das veias da mão. Umas das formas apresentadas é a codificação das características de cada região de forma a que não se perca informação e utilizando um esquema de correspondência baseado em regiões. No Capitulo 2 é detalhado o trabalho efetuado e as opções tomadas para chegar ao resultado pretendido. Os resultados obtidos são alvo de analise no Capitulo 3. Por fim no Capitulo 4 temos a conclusão do nosso trabalho e proposta para trabalho futuro. 1

6 2 Teoria 2.1 Aquisição das Imagens A base de dados das imagens da palma da mão utilizada foi a CASIA-MS-PalmprintV1 1. Esta base de dados contem cerca de 7200 imagens de 100 pessoas diferentes. As imagens estão no gravadas no formato JPEG em tons de cinzento. As capturas foram feitas à mão direita e esquerda utilizando comprimentos de onda de 460nm, 630nm, 700nm, 850nm, 940nm e luz branca, sendo que por cada comprimento de onda foram feitas duas sessões de três imagens com um mês de diferença entre as duas sessões. A fig.2.1 exemplifica uma aquisição. O Formato do nome da imagem é XXX_LR_YYY_ZZ.jpg : Onde: XXX: identifica a pessoa, tem valores de 000 a 100.; LR: identifica a mão esquerda (L) ou mão direita(r); YYY: é o espectro eletromagnético, "WHT"representa a luz branca. ZZ: é o indexe de imagem recolhida, de 01 a 03 foram as imagens tiradas na primeira sessão e 04 a 06 são as imagens retiradas na segunda sessão. 1 CASIA Multi-Spectral Palmprint Image Database V1.0 dbdetailforuser.do?id=6 2

7 2 Teoria Figura 2.1: Imagem 006_r_850_05.jpg. 2.2 Processamento Nesta secção são descritos todos os aspetos importantes e necessários à identificação da região de interesse (ROI), de forma a torna-la mais clara Normalização e Segmentação Binarização A binarização consiste em identificar o fundo da imagem. Tal é conseguido aplicando um filtro que atribui uma de duas cores a cada pixel da imagem, tendo por base um limiar. Todos os pixeis com cor acima do limiar passam para a cor branca e abaixo passam para a cor preta. Após alguns testes e dada a cor das imagens optamos por ter um limiar igual a 65,0. A fig. 2.2 exemplica uma imagem binarizada. 3

8 2 Teoria Figura 2.2: Imagem Binarizada. Deteção de Contornos A deteção de contornos serve para identificar o limite entre a palma da mão e o fundo da imagem. Aplicando o método FindContours() 2 da biblioteca OpenCV à imagem binarizada é possível identificar os vários limites que constituem a imagem sob a forma de polígonos. O Polígono maior é o que corresponde ao contorno da mão, como é mostrado na fig Figura 2.3: Contornos da Mão. 2 OpenCV - findcontours() 4

9 2 Teoria Deteção dos Vales dos Dedos A deteção dos vales dos dedos tem duas funções importantes, a primeira é saber para onde a mão está alinhada e a segunda é obter uma linha de referência por forma a conseguir identificar a região de interesse da imagem (ROI). A deteção dos vales foi conseguida utilizando o método ConvexityDefects() da biblioteca OpenCV. A fig. 2.4 mostra os contornos da mão e o poligono externo à mão que serve de base à identificação dos vales dos dedos. Figura 2.4: Contornos da mão e poligono externo Linha de referência A linha de referência (E w ) é a linha a partir da qual se obtêm o ROI. Esta linha é obtida traçando uma linha entre o vale dos dedos mínimo e anelar e o vale dos dedos indicador e médio, como mostra a fig

10 2 Teoria Figura 2.5: Representação da linha E w A forma utilizada para identificar estes dois vales foi, encontrar os vales mais distantes entre si, e em seguida identificar a distância menor entre vales, sendo que para tal tem que existir um vale entre eles. A distância maior encontra-se entre os vales dos dedos polegar e indicador e dedos médio e anelar. 2.5 A dimensão do ROI está relacionado com a largura da mão, isto é, o ROI é um quadrado com [0.6 x Largura_da_Mão] (Ying Hao et al., 2008) [2]. A largura da mão é obtida através do comprimento da linha entre as duas extremidades da mão passando pelos vales da linha de referência E w 2.5 Rotação da Imagem A rotação serve para orientar a palma da mão no sentido vertical com o dedos virados para cima. O ângulo de rotação é calculado através da diferença entre uma linha perpendicular à linha E w e uma linha da vertical (90 o ), fig

11 2 Teoria Figura 2.6: Representação do ângulo de rotação. Ao aplicar a rotação à imagem a linha E w fica na horizontal, fig Figura 2.7: Imagem limpa após rotação Tratamento da Região de Interesse Neste processo pretende-se dar um maior contraste ao ROI, de forma que a ilustração das veias fique mais clara. 7

12 2 Teoria É estimada intensidade do fundo da imagem através da média de blocos de 32x32, sobrepondo 3 pixeis em cada 2 blocos. Interpolação Bicúbica É aplicada a Interpolação Bicúbica [7] à média da intensidade do fundo da imagem de forma a que fique uma imagem com o mesmo tamanho do ROI. Fig. 2.8(b) Normalização O tratamento do ROI termina com a aplicação da normalização obtida anteriormente ao ROI, podendo tal ser verificado na fig. 2.8(c) (a) ROI (b) Interpolação Bicúbica (c) Normalização Figura 2.8: Tratamento da Imagem 8

13 2 Teoria 2.3 Extração de Características A fase de extração de características corresponde à fase onde se identificam os pontos chaves que permitem a identificação unívoca do indivíduo. Um dos métodos utilizados para a extração das características foi a Transformada de Radon [3] Localizada (LRT). Transformada de Radon Localizada A transformada de Radon lineariza uma imagem. No artigo estudado foi utilizado a Transformada de Radon Localizada[6] em blocos de 16x16 pixeis para ângulo 0 o, 30 o, 60 o, 90 o, 120 o e 150 o, para criar um modelo [4] [5]. O modelo é gerado com base no resultado da LRT para cada bloco analisado. O ângulo predominante é atribuído uma codificação. 0 o 0 30 o 1 60 o 2 90 o o o 5 Exemplo da da matriz resultante da codificação: 2.4 Comparação [[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]] Na comparação é possível verificar a correspondência entre duas imagens, comparando os modelos resultantes da extração de características. O resultado da comparação é obtido dividindo a distância de hamming [1] entre os dois modelos a comparar, pela cardinalidade da intersecção entre os dois modelos. 9

14 3 Aplicações Resultados da comparação entre a mão "original"e 4 outras mãos, sendo que duas delas pertencem ao mesmo indivíduo, mas com datas de captura diferentes. As outras duas correspondem a imagens de mãos de outros indivíduos. Comparação Resultado Mesma Mão e Mesma Imagem (3.1(a)-3.1(a)) 0.0 Mesma Mão e Imagens diferentes (3.1(a)-3.1(b)) Mãos Diferentes (3.1(a)-3.1(c)) Mãos Diferentes (3.1(a)-3.1(d)) Tabela 3.1: Resultados Quanto menor for o valor resultante da comparação menor são as diferenças entre as mãos logo maior é a probabilidade de ser a mesma pessoa. 10

15 3 Aplicações (a) Imagem A (b) Imagem B (c) Imagem C 11 (d) Imagem D Figura 3.1: Imagens Palma da Mão

16 4 Conclusão A importância cada vez maior de encontrar novos métodos de identificação, com a garantia que os indivíduos identificados correspondem de facto aos verdadeiros e não a falsos, levounos a abraçar o desafio proposto na disciplina de Tecnologias Biométricas e a realizar o trabalho com os seguintes objetivos: estudar o artigo Human Identification Using Palm-Vein Images; implementar o sistema biométrico proposto no artigo e a sua verificação experimental e respetiva avaliação de desempenho. Foi realizado um sistema que responde a quase todos os requisitos apresentados, sendo que para a avaliação do desempenho do sistema seria necessário proceder a um conjunto de testes exaustivos, os quais por falta de tempo não foi possível fazê-los. A principal dificuldade com que nos deparamos foi a falta de algumas referências no artigo estudado que permitissem chegar aos resultados nele referidos. Como trabalho futuro, será necessário otimizar algumas partes do código desenvolvido permitindo melhorar a sua performance. Será também necessário aprofundar o estudo da Transformada de Radon e proceder à sua implementação a fim de melhorar o resultado obtido. Por último dever-se-à também implementar um sistema de decisão que permita decidir sobre a aceitação ou não com, base no resultado da comparação. 12

17 5 ANEXOS 13

18 6 ANEXO I - Manual de Utilização 6.1 Instalação Para instalar a aplicação basta copiar o ficheiro veias_mao.py para uma pasta no PC. Antes de correr o programa deve assegurar que estão estaladas as seguintes bibliotecas: OpenCV ( Scipy ( Numpy ( Skimage ( Sympy ( 6.2 Utilização Para correr a aplicação é necessário executar o seguinte comando: python veias_mao.py [opção] imagem1 imagem2 Onde: Opção: -t Mostra os tempos de execução imagem1 Ficheiro com a Imagem 1 imagem2 Ficheiro com a Imagem 2 Exemplo: python veias_mao.py 006_l_850_01.jpg 006_r_850_05.jpg Compara a imagem1 (006_l_850_01.jpg) e a imagem2 (006_r_850_05.jpg) Resultado: Resultado da comparação entre as duas imagens:

19 6 ANEXO I - Manual de Utilização Para saber os tempos de execução: python veias_mao.py -t 006_l_850_01.jpg 006_r_850_05.jpg Resultado: Resultado da comparação entre as duas imagens: Tempo de execução (segundos): Processamento Imagem1: Processamento Imagem2: Comparação das Imagens: Tempo total de execução: Tempos de Execução Os tempos de execução testados numa máquina virtual com o Sistema Operativo LinuxMint 1 estão compreendidos entre 1,2s e 1,7s. 1 A máquina física tem Processador Intel i5, com 4GB de RAM 15

20 Bibliografia [1] the free encyclopedia From Wikipedia. Hamming distance. [2] Ying Hao, Zhenan Sun, Tieniu Tan, and Chao Ren. Multispectral palm image fusion for accurate contact-free palmprint recognition. In Image Processing, ICIP th IEEE International Conference on, pages , oct [3] Carsten Høilund. The radon transform, November [4] Wei Jia, De-Shuang Huang, and David Zhang. Palmprint verification based on robust line orientation code. Pattern Recognition, 41(5): , [5] A. Kumar and Yingbo Zhou. Human identification using knucklecodes. In Biometrics: Theory, Applications, and Systems, BTAS 09. IEEE 3rd International Conference on, pages 1 6, sept [6] Chinese Academy of Sciences Institute of Automation. Casia multi-spectral palmprint database. [7] the free encyclopedia Wikipedia. Bicubic interpolation. [8] Yingbo Zhou and A. Kumar. Human identification using palm-vein images. Information Forensics and Security, IEEE Transactions on, 6(4): , dec