Introdução USP - EESC

Transcrição

1 Introdução O controle de acesso para prevenir abusos. O roubo de identidade. Interesse crescente no desenvolvimento de sistemas de identificação pessoal confiáveis. Aplicações civil, comercial e financeira.

2 Biometria Ciência que estuda a mensuração dos seres vivos...investiga atributos biológicos quantitativos pertinentes a uma população de seres vivos. (FERREIRA,2001) Método de identificação baseado em características físicas ou comportamentais. Principal fator inibitório: alto custo dos equipamentos. As medidas de geometria da mão são facilmente conseguidas e facilmente integrável com outras medidas biométricas em um sistema multi-modal.

3 Avaliação de desempenho dos métodos biométricos Tempo de aprendizagem, execução, número de amostras requeridas no treinamento Relação entre taxas de detecção e alarmes falsos: FAR: percentagem de usuários não-autorizados que são incorretamente identificados como usuários válidos. FRR: percentagem de usuários autorizados que são incorretamente rejeitados. É um fator primário na avaliação de sistemas biométricos. (FIORESE, 2000) Quanto maior for a o número de características armazenadas pelo sistema biomético, maior será o percentual de acerto. A falsa rejeição causa frustração e a falsa aceitação causa fraude.

4 Avaliação de desempenho dos métodos biométricos Características intrínsecas na palma das mãos: São extraídas as principais linhas. Determina e processa segmentos de linhas verticais. Linhas principais e rugas grossas; o eixo principal passa por estes pontos.(shu,1998). Baixa resolução espacial, comparável a uma imagem de impressão digital.

5 Avaliação de desempenho dos métodos biométricos Extração das características lineares da palma da mão (Shu,1998)

6 Avaliação de desempenho dos métodos biométricos: Dorso da mão Sanchez Reillo (Reillo,2000) método composto de cinco passos: Diagrama do Sistema Biométrico de Reconhecimento(Reillo,2000)

7 Avaliação de desempenho dos métodos biométricos: Dorso da mão Bloco de decisão baseado em um threshold Taxas de erro abaixo de 5% utilizou-se 10 imagens de 20 usuários. Pinos para nortear a posição dos dedos. Diferentes visões do protótipo de captura através da câmera CCD

8 Avaliação de desempenho dos métodos biométricos: Bulatov et al. Scanner de mesa a mão poderia ser colocada em qualquer ponto do scanner, no sentido vertical. dedos separados. 10 varreduras da mão direita de 70 pessoas. Extração de 30 características, armazenadas em um vetor característico. O algoritmo de extração foi omitido. Métrica de similaridade.

9 Avaliação de desempenho dos métodos biométricos: Lay,1999 Dorso da mão Captura através de uma grade paralela projetada por uma lâmpada fluorescente, Inclinação de 45º A sombra da grade é deformada pela curvatura da mão. Distorção da imagem na grade capturada por uma câmera CCD. Codificada por quadtree Comparação por matching. Gera arquivos pequenos. A mão do usuário deve ser colocada cinco vezes Erro no reconhecimento: troca minúscula de posição da mão

10 Sistemas Comerciais de Reconhecimento de Mãos Universidades e empresas unem-se em busca de segurança e de novas tecnologias. O HandPunch captura uma imagem tridimensional da mão (HAND,2000) baseado exclusivamente nos tamanhos e forma individuais das mãos.

11 Metodologia e processamento 1. Proposta do Trabalho: Implementar um algoritmo simples para extração de características de imagens de mãos obtidas através de scanners de mesa; extrair como características de classificação as medidas máximas e mínimas da distância dos dedos ao centro do pulso, na palma da mão esquerda; avaliar a eficiência dessas características usando-se um classificador para distância mínima.

12 Metodologia e processamento 2. Considerações prévias: As imagens adquiridas são processadas para extração de características de contorno 2D. Resoluções do scanner até 600 dpi ( utilizou-se 200 dpi ) A característica flat do equipamento de digitalização. Imagem de até 800x800pixel, com 50% de seu tamanho original. Métrica utilizada: Distância Euclidiana Software utilizado: Matlab 6.5 Extensão utilizada: bmp

13 Metodologia: Distância Euclidiana A distância Euclidiana entre dois vetores (x e y) do espaço p dimensional pode ser descrita como: d xy = ( ) 2 ( ) 2 ( ) 2 x = ( ) 1 y1 x2 y2 L x p y p xi yi p i= 1 2 para i = 1,2,3...p d xy distância entre os vetores x e y, e x i éo valor do i-ésimo termo do vetor x. quanto mais próximos os objetos estão, mais próximo de zero é o valor de dxy,

14 Metodologia: Média,variância Pode-se escrever a média como: Somatório dos vetores na posição x i, dividido pelo número de elementos. A variância é definida como o desvio quadrático médio da média e é calculada de uma amostra de dados como: onde s é o desvio padrão, n o número de usuários.

15 Metodologia: Desvio Padrão A raiz quadrada da variância representa o desvio padrão, medido nas mesmas unidades dos dados originais, i.e: Para qualquer conjunto de dados, pelo menos 75% deles fica dentro de uma distância da média de duas vezes o desvio padrão da média, i.e. entre(landim,1997): -2s e +2s

16 Metodologia: Aquisição da imagem 3. Scanner de mesa comum, tendo sobre ele uma caixa preta. Mão esquerda sobre o scanner, dedos separados naturalmente(distância de 1 a 2 pixels é suficiente) Base dapalmadamão apoiada na parte inferior do scanner.

17 Metodologia e processamento 4. Algoritmo: 4.1 Leitura da a imagem escaneada Padrão RGB: Imagem(:,:,1))/255 utilizou-se o canal R(vermelho) 4.3. Retirar ruídos da imagem, linhas e traços característicos: Suavização morfológica: atenua artefatos claros, escuros ou ruídos. Imagem adquirida por varredura

18 Metodologia e processamento Filtro morfológico: Elemento estruturado em forma de disco com raio de 25 pixels. Função: Remover granulações que sejam menores que o raio criando uma estrutura uniforme em forma de disco. 4.4 threshold: imagem binária dos contornos da palma da mão.

19 Metodologia e processamento threshold (limiarização) Obteve-se uma imagem binária dos contornos da palma da mão. 4.5 imagem redimensionada em 900x900 pixels

20 Processamento 255 tons na imagem no canal R(RGB) Aplicação de filtro morfológico Imagem de entrada Threshold Imagem binária Gráfico das distâncias Imagem limpa, Sem ruídos, para o Próximo passo

21 Metodologia e processamento 5. Gráfico das Distâncias 5.1: Procura o centro do pulso Contorno da imagem a procura de zeros e uns. 5.3 Marca as distâncias do pulso até os picos encontrados. O eixo vertical representa a distância do pulso a ponta dos dedos. O eixo horizontal representa o número de pixels encontrado no contorno da mão.

22 Função proxpix b b b c' a a a c c O objetivo da função é encontrar o pixel b que segue a no sentido horário no contorno. Para encontrar b é necessário partir do ponto no contorno que antecedeu a, no caso c e procurar todo pixel adjacente de a até encontrar b É preciso que haja o ponto c de partida pois por exemplo no caso ao lado há mais que um ponto de contorno. m m pc pf pi pc pi A partir de pi, seguindo o sentido horário, é procurado um novo pixel com valor zero. Quando encontrado o próximo valor zero, é retornado o valor de pfinal (pf).

23 Segmentação do contorno Algoritmo de determinação das distâncias: Marca o pixel encontrado em posição de picos e vales. Marca as distâncias. As características a serem extraídas para classificação foram determinadas como as distâncias entre os pontos de máximo e de mínimo e o centro do pulso.

24 Pontos encontrados Pontos de Máximo e mínimo plot(distancia) p.4 p.6 p.8 p.10 p.2 p.5 p7 p.9 p. 3 p.1

25 Pontos encontrados Dez pontos distintos que formarão o vetor de características. O primeiro valor é a distância do primeiro ponto encontrado na segmentação do contorno (ponto p1) ao centro do pulso. Os outros nove valores: pontos de maior distância (cumes) e pontos de menor distâncias (vales) ao centro do pulso. Distância Euclidiana entre os pontos e o centro do pulso. Os valores de máximo e de mínimo são então marcados p.2 p.4 p.5 p. 3 p.6 p7 p.8 p.9 p.10 p.1

26 Pontos encontrados Pontos de Máximo e mínimo plot(distancia)

27 Pontos encontrados São encontrados, em média 75 picos em cada imagem. Redundância de valores obtidos são eliminadas através de uma análise regional. Agrupou-se os pixels de acordo com a região(possível cume ou vale) de acordo com a proximidade. Algoritmo Se a distância entre os picos for inferior ou igual a 25 unificam-se os pontos, caso contrário os pontos são mantidos. aglomeração de pontos de máximo

28 Encontrou-se blocos de valores semelhantes, em seqüência

29 Resultados e Discussões 84 amostras de 28 usuários (3 amostras por usuário:para identificar diferenças entre abertura dos dedos, similaridade, falsos negativos e falsos positivos). O vetor de características de cada indivíduo é um elemento do espaço p-vetorial com p = 10. Cada classe de padrões representa três medidas independentes. Calculou-se o vetor protótipo (média) considerando-se as três amostras de cada indivíduo. Utilizando-se a Distância Euclidiana entre a média e cada um dos três vetores extraídos(( a-a1 2)1/2 ;( a-a2 2)1/2 ;( aa3 2)1/2) selecionou-se os dois menores valores de distância, desprezando-se o maior valor. Refez-se a média entre os dois vetores de menor distância da média.

30 Resultados e Discussões O resultado geral para todos os usuários e sua menor Distância Euclidiana, é mostrado a seguir

31

32 Resultados e Discussões Calculou-se então, a Distância Euclidiana entre o vetor protótipo(média) de cada usuário com a média de todos os outros usuários. Os resultados foram utilizados como parâmetros para averiguar o afastamento entre os vetores de características, se haveriam mãos com medidas próximas entre usuários diferentes. O slide a seguir representa a menor diferença encontrada entre usuários diferentes e a menor distância encontrada para o mesmo usuário.

33 Pg.65 Distância Euclidiana mínima mesmo usuário. D. E. mínima usuários diferentes Maior proximidade entre usuários A 16, , A - F B 16, , B - C C 13, , C - B D 13, , D - P E 13, , E - H F 6, , C - F G 8, , G - H H 6, , H - I I 7 26, I - H J 10, , J - D K 14, ,11349 K - I L 8, , L - D M 32, , M - O N 5, , N - C O 19, , O - M P 18 38, P - D Q 16, , Q - E R 15, , V - R S 7, , S - G T 11, , T - Aa U 4, , U - W V 4, ,06242 V - W X 10, , X - J Z 30, , Z - Ab W 7, , W - Aa Y 5, , Y - Aa Aa 6, , Aa - W Ab 7, , Ab - K

34 Resultados e Discussões Comparação entre Distâncias Euclidiana Distâncias encontradas menor valor individual em cada pessoa menor valor distancia euclidiana média entre todos a c e g i k m o q s u x mãos (A..Ab) w Aa

35 Pg Desvio Padrão a - a' Desvio Padrào a - (b..n)' A 1, ,28991 B 2, ,85334 C 1, ,02459 D 0, ,42187 Desvio Padrão: Os resultados mostram a separabilidade entre classes E 0, ,85243 F 0, ,18527 G 0, ,02686 H 0 56,87819 I 0, ,5766 J 0, ,86139 K 0, ,88778 L 0, ,01208 M 0, ,44254 N 0 42,39574 O 0 58,91409 P 0, ,76149 Q 0, ,83701 R 0, ,16512 S 0, ,60417 T 0, ,16662 U 0, ,71735 V 0, ,08681 X 0, ,88498 Z 0, ,49332 W 0, ,95191 Y 0, ,97719 Aa 0, ,72 Ab 0, ,94223

36 Representação gráfica do desvio padrão entre os mesmos elementos desvio padrão 3 2,5 2 1,5 1 0,5 0 Desvio Padrão a - a' 1 mãos de A.. Ab A B C D E F G H I J K L M N O P Q R S T U V X Z W Y Aa Ab 96% das médias estão abaixo de 2,0;

37 Desvio padrão entre as medidas de usuários diferentes. Desvio Padrão Desvio Padrão Valores USP acima - EESC de 30,0 1 a - (b..n)' A B C D E F G H I J K L M N O P Q R S T U V X Z W Y Aa Ab

38 Comparação do desvio padrão das medidas do mesmo usuário com o desvio padrão entre as medidas de usuários diferentes.

39 Resultados e Discussões Fase Inicial (testes) Mãos testadas 52 Quantidade percentual Final Usuários % Mãos analisadas (3 por usuário) 84 Falsos Positivos 1 3,57% Falsos Negativos 2 7,14% Número de falso positivo e de falso negativo considerando o banco de dados utilizado. Considerou-se como falso negativo o desvio padrão encontrado superior a 2,8(usuário B). Considerou-se como falso positivo as diferenças entre usuários (W - Ab)

40 Conclusão Tecnologia de captura de imagem de baixo custo (scanner de mesa), existente em grande parte dos conjuntos de microcomputadores pessoais localizados em residências, escritórios, ou mesmo para aplicação em curso à distância. O algoritmo proposto obteve resultados satisfatórios de maneira simplificada, empregando medidas de tamanho dos dedos e da palma da mão. Classificação compatível com a proposta de uso do sistema, em situações onde apenas um pequeno número de usuários deva ser autenticado. Discriminou-se corretamente as diversas mãos testadas. Não houve alteração em relação ao comprimento das unhas, pigmentação da pele e utilização de adornos.

41 Conclusão O algoritmo apresentou resultados satisfatórios com dedos mais abertos e mais fechados. É possível concluir que o conjunto de valores obtidos para cada mão possibilita a autenticação do usuário. O Algoritmo mostrou-se eficiente, com baixo custo computacional. Baixo custo operacional e valores aceitáveis de desvio padrão. O objetivo de se implementar um algoritmo simples baseado em imagens bi-dimensionais de mão humana, que extraísse características a serem usadas na identificação pessoal, foi alcançado amplamente, podendo ser utilizada como meio de identificação pessoal.

42 Fim