Iris Movements: The Best State to Dynamic Biometric Recognition Process

Transcrição

1 Iris Movements: The Best State to Dynamic Biometric Recognition Process C. R. Bernadelli, Student Member, IEEE, P. R. da Silva and A. C. P. Veiga Abstract Substantially, biometric recognition systems that use the information on iris texture employ approximate models. They minimize the problems associated with iris dilation and contraction. This article demonstrates quantitatively that iris movements may lead to significant differences between the enrolment images from a database and the test image. In order to clarify this assumption two experiments were performed and the results indicate that the system performs better when the dilation rate is smaller. Unlike what was expected, images with greater dilation rate do not cause the worst system performance. Lastly, images with intermediate dilation rate brought the system to present the worst outcome. N Keywords Biometrics, EER, Iris Dynamics. I. INTRODUÇÃO O processo de reconhecimento biométrico, a dinâmica da íris tem várias consequências. A pressão no tecido da íris, durante seu movimento, pode fazer com que algumas pequenas regiões se dobrem por baixo de outras. Isso significa que pequenas partes do padrão podem desaparecer enquanto outras partes podem, da mesma forma aparecer. Assim, nenhum modelo de deformação será capaz de representar essa transformação [1]. Outro problema gerado pelo movimento da íris é o aumento da falsa rejeição, em condições extremas, entre códigos correspondentes. Nesse caso, a textura da íris, sob forte compressão, produz uma imagem normalizada com muitas diferenças da imagem normalizada em condições normais [1, 2]. Dessa forma, as regiões não afetadas ou menos afetadas pelos movimentos da íris devem fornecer informações suficientes para o processo de reconhecimento. Boa parte dos métodos de reconhecimento de íris assume o modelo proposto por Daugman [3], denominado Homogeneous Rubber Sheet, o qual projeta linearmente a região anular da íris em uma região retangular fixa. Esse modelo, segundo Daugman, proporciona a geração de códigos de íris que são invariantes sob distorções elásticas não afins. Entretanto, Wyatt [4] explica que o modelo Homogeneous Rubber Sheet não representa a verdadeira deformação do tecido da íris e conclui em seu trabalho que um modelo não linear é mais adequado. Resultados experimentais comprovam C. R. Bernadelli, Universidade Federal do Triângulo Mineiro (UFTM), Uberaba, Minas Gerais, Brasil, bernadelli@eletrica.uftm.edu.br P. R, da Silva, Universidade Federal de Uberlândia (UFU), Uberlândia, Minas Gerais, Brasil, paulo_ricardo.exe@hotmail.com A. C. P. Veiga, Universidade Federal de Uberlândia (UFU), Uberlândia, Minas Gerais, Brasil, acpveiga@ufu.br que o método de Wyatt torna o sistema de reconhecimento mais robusto contra estímulos externos, como a variação da iluminação. Por sua vez, Wei et al. [5] propõe em seu trabalho um algoritmo para modelar a deformação não linear da íris através de uma deformação linear mais um desvio aditivo, calculado por uma função Gaussiana. Embora alguns trabalhos tenham alcançados taxas de reconhecimento próxima a zero, utilizando imagens de alta resolução, adquiridas a partir de ambientes controlados com nenhuma variação de iluminação e distância olhos-câmera, ainda existem muitos desafios no reconhecimento da íris em qualquer cenário real [6]. Assim, este artigo investiga de forma quantitativa a influência dos movimentos da íris no processo de reconhecimento por meio da taxa de erro igual (Error Equal Rate - EER) e da decidibilidade (d ). Além disso, este trabalho determina o estado da íris com a informação discriminatória mais estável e que produz a melhor taxa de reconhecimento. O artigo está organizado da seguinte forma: A próxima Seção faz uma introdução sobre o processo de normalização da imagem da íris e a Seção III faz uma introdução sobre a etapa de extração de características da imagem normalizada. A Seção IV descreve os experimentos realizados e os resultados obtidos. Finalmente, a Seção V conclui o trabalho. II. NORMALIZAÇÃO E O MODELO HOMOGENEOUS RUBBER SHEET Boa parte dos estudos em biometria da íris e dos sistemas de reconhecimento propostos utilizam a normalização para produzir imagens com dimensões constantes [5]. Dentre os métodos de normalização mais utilizados está o modelo Homogeneous Rubber Sheet, proposto por Daugman [3]. Para este modelo, o sistema assume que as características utilizadas no processo de reconhecimento estão na mesma posição espacial, inclusive para imagens sob diferentes condições de iluminação, rotação e distância da câmera. Como o próprio nome diz, o modelo Homogeneous Rubber Sheet considera a região da íris como se esta fosse um anel de borracha. Assim, os pontos da mesma íris, em instantes diferentes, localizados na direção radial, entre a borda da pupila e a borda da íris, podem sofrer deslocamentos proporcionais à variação do raio da pupila e da íris, nesta mesma direção [3]. O método utiliza coordenadas polares adimensionais, conforme mostra a Fig. 1 e a Fig. 2.

2 Figura 1. Representação retangular da região da Iris proposta por John Daugman. intraclasse ocorre quando códigos da mesma íris são comparados, enquanto que a comparação interclasse ocorre quando códigos de irises diferentes são comparados. Para esses dois casos, a métrica deve retornar uma faixa de valores distintos e separados para que a decisão de aceitar ou rejeitar a comparação tenha alto grau de confiabilidade [11, 12]. Daugman utilizou uma versão 2D do filtro de Gabor para codificar a informação contida na textura da íris. Um filtro de Gabor 2D sobre o domínio (x, y) da imagem é representado pela Eq. (1)., (1) onde (, ) especifica a posição na imagem, (α, β) especifica a largura e o comprimento eficaz e (, ) especifica a modulação que possui frequência espacial dada pela Eq. (2). (2) Figura 2. Esboço do processo de normalização com resolução radial igual a 10 pixels e resolução angular igual a 40 pixels. Basicamente, esta normalização consiste em remanejar a região da íris, passando de coordenadas cartesianas (x, y) para coordenas polares adimensionais (ρ, θ), onde ρ pertence ao intervalo [0, 1] e θ representa um ângulo no intervalo [0, 2π]. No entanto, alguns pesquisadores notaram que a dilatação da íris afeta a qualidade da correspondência entre as imagens de um mesmo olho e que, apesar de uma boa aproximação, o modelo Homogeneous Rubber Sheet não descreve o verdadeiro movimento da íris por se tratar de um movimento não linear [1, 5, 7]. Dessa forma, é necessário modelar a deformação da íris para, então aplicar a normalização não linear. Vários modelos de deformação não linear da íris foram propostos [1, 2, 8]. Há ainda alguns trabalhos que evitam os tradicionais processos de normalização. Por exemplo, Birgale et. al. [9] propõe a utilização de diferentes máscaras para filtrar as informações contidas na íris e compara seu método com o proposto por Daugman. Li e Xie [10] propõe um método baseado na extração parcial da informação contida na íris. Eles utilizam imagens isométricas, consideram a posição do centro da pupila e o tamanho do raio da íris fixos para coletar pontos equidistantes. III. CODIFICAÇÃO E COMPARAÇÃO A análise da textura da íris é a área mais popular da pesquisa em reconhecimento biométrico. Basicamente, a maioria dos trabalhos utilizam algum tipo de filtro para produzir uma representação binária da íris, chamado de código da íris ou então geram um vetor com características da íris representadas por números reais. Para aumentar a precisão apenas as características mais significativas devem ser codificadas e comparadas [11]. A comparação é feita utilizando uma métrica capaz de medir o grau de similaridade entre os códigos. A comparação Entretanto, conforme descrito por Libor Masek [13], o filtro de Gabor possui algumas limitações. Sempre que a largura de faixa do filtro de Gabor for maior do que uma oitava, a componente de simetria par irá possuir uma componente DC devido à sobreposição das caudas das gaussianas. Uma alternativa para resolver esse problema é o filtro Log-Gabor. Neste caso, a Gaussiana é representada em uma escala logarítmica e assim, é possível obter uma componente DC igual a zero para qualquer que seja a largura de faixa utilizada. A resposta em frequência do filtro Log-Gabor é obtida pela Eq. (3). onde é a frequência central e σ fornece a largura de faixa do filtro. Diversas métricas podem ser utilizadas para comparação sendo que as mais populares são a distância de Hamming (HD), a distância euclidiana ponderada e a correlação normalizada. Vários trabalhos utilizam a distância de Hamming, por exemplo, os de John Daugman [12], de Vatsa et al. [14] e de Li Ma et al. [15]. A distância de Hamming fornece uma medida da quantidade de bits que são comuns entre dois templates. Ela é definida como a soma dos bits discordantes ao longo do número total de bits N, conforme Eq. (4). (3) (4) onde e são os bits dos dois padrões e é a operação de ou exclusivo. Se dois padrões de bits são completamente independentes, tais como modelos gerados a partir de diferentes irises, a distância de Hamming entre os dois padrões deve ser igual a 0,5. Isso ocorre porque a independência entre os dois padrões

3 de bits é totalmente aleatória, com 50% de chance para qualquer bit 0 ou 1. Portanto, metade dos bits vão concordar e metade vão discordar entre os dois padrões. Se dois padrões são derivados das mesmas írises, a distância de Hamming entre eles será próximo de 0, uma vez que eles são altamente correlacionados e os bits devem concordar entre os dois códigos de íris [12, 13]. A distância euclidiana ponderada pode ser utilizada quando os templates são compostos de valores inteiros. Ela fornece a medida de similaridade de um conjunto de valores provenientes de dois templates. Esta técnica foi empregada por Zhu et al. [16]. Já a correlação normalizada foi utilizada como métrica para comparação de dois templates por Wildes et al. [8] e por Kim et al [17]. IV. EXPERIMENTOS A Fig. 3 mostra o diagrama de blocos do sistema construído para a realização dos experimentos. O sistema é baseado na proposta realizada por Libor Masek [13]. Figura 3. Diagrama de blocos do sistema desenvolvido para realização dos experimentos. A ação de cada etapa é descrita a seguir: Segmentação da íris: Utiliza a transformada circular de Hough (TCH) para localizar e segmentar a região da íris na imagem do olho. O ponto máximo no espaço de Hough corresponde ás coordenadas do centro e ao raio do melhor círculo encontrado no mapa de bordas da imagem. Normalização da íris: Utiliza o modelo Homogeneous Rubber Sheet para gerar uma imagem com dimensões constantes de 20X240 pixels. Extração de Características: Utiliza filtro Log-Gabor. Código da íris: Utiliza código binário para representar a fase da saída do filtro para cada ponto da imagem normalizada. Comparação: Utiliza a distância de Hamming para comparar os códigos gerados. O grande objetivo de um sistema de reconhecimento de íris é ser capaz de obter uma boa separação entre as distribuições geradas a partir de comparações intraclasse e interclasse. O sistema é mais confiável quanto mais separados os dois casos estiverem, uma vez que a sobreposição entre as distribuições provoca taxas de erro. Um parâmetro chamado decidibilidade [12] mede a separação entre as distribuições, independente do limiar adotado para decisão, levando em consideração a média e o desvio padrão de cada uma. Sendo e as médias e e os desvios padrões das duas distribuições, a decidibilidade é dada pela Eq. (5). A performance de qualquer sistema de biometria pode ser calibrada pelo seu valor de decidibilidade. Quanto maior a decidibilidade, maior a separação entre as distribuições intraclasse e interclasse e consequentemente, maior a precisão no reconhecimento. Outra ferramenta que pode ser utilizada para indicar o desempenho do sistema de biometria em um cenário de verificação é a curva ROC (Receiver Operating Characteristic). A curva ROC é construída em termos da Taxa de Falsa Rejeição (FRR), apresentada no eixo Y da ROC, que indica a probabilidade de um indivíduo apto ser considerado impostor e, portanto, ser recusado pelo sistema e pela Taxa de Falsa Aceitação, apresentada no eixo X da ROC, que indica a probabilidade de um impostor ser aceito pelo sistema. A taxa de erro igual (EER), único número frequentemente citado a partir da curva ROC, representa o valor onde a FRR é igual à FRA. Quanto menor for a EER maior será a capacidade do sistema em classificar corretamente uma amostra. O software desenvolvido neste trabalho gera a distribuição dos códigos correspondentes (match) e dos códigos não correspondentes (non-match), ou seja, ele gera o histograma das distâncias de Hamming intraclasse e interclasse, determina a EER e a decidibilidade para um determinado conjunto de imagens. Para testar o desempenho do sistema desenvolvido utilizouse imagens do conjunto de imagens CASIA-Iris-Lamp e 608 imagens do conjunto de imagens CASIA-IrisV1. As imagens utilizadas de cada conjunto foram confrontadas com todas as demais imagens de cada conjunto. A base de dados CASIA-Iris-Lamp é formada por imagens com resolução de 640X480 pixels, obtidas de 411 indivíduos diferentes e divididas em 819 classes. Durante o processo de aquisição do conjunto CASIA-Iris- Lamp, uma lâmpada intermitente próxima ao indivíduo é responsável pelo Pupil Light Reflex (PLR). O objetivo do PLR é adaptar o sistema visual à iluminação ambiente e, dessa forma, foi o responsável por introduzir maior variação intraclasse, ou seja, deformações elásticas na textura da íris devido à contração e dilatação da pupila sob diferentes condições de iluminação [18]. O conjunto de imagens da base CASIA-IrisV1 contém 756 imagens de 108 olhos (7 imagens de cada olho), capturadas em duas sessões e com resolução de 320X280 pixels. Neste conjunto a região da pupila foi substituída por uma região circular de intensidade constante para mascarar o efeito da reflexão especular da iluminação infravermelha - NIR. Dessa forma, a detecção da borda interna da íris fica mais fácil e com mínimo ou nenhum efeito em outros componentes do sistema de reconhecimento de íris. (5)

4 Daugman determina que a proporção esperada de bits concordantes entre os códigos de duas irises diferentes seja de HD = 0,5. Contudo, pode-se reduzir este valor para HD = 0,45 devido à correção no alinhamento dos códigos [13]. Em seu trabalho a média das distâncias de Hamming para a distribuição match foi de 0,110 e a média das distâncias de Hamming para a distribuição non-match foi de 0,458. A decidibilidade foi de 7,3 [12]. Conforme mostra a Fig. 4, a média da distribuição match do conjunto Casia-IrisV1 é de 0,29. Além disso, 100% destas amostras possuem HD menor que 0,45 (nenhum falso negativo). Por sua vez, a média da distribuição non-match é de 0,47 e 19,24% destas amostras possuem HD menor que 0,45 (falso positivo). Aqui a decidibilidade foi de 5,19. Nesse caso, a decidibilidade foi de 4,76, que corresponde a uma degradação de aproximadamente 8% em relação ao conjunto Casia-IrisV1. Os resultados alcançados sugerem de forma notória que o conjunto CASIA-IRIS-Lamp é mais sujeito a erros, conforme mostra a Fig. 6, possivelmente por apresentar maior variabilidade devido ao movimento do tecido da íris. Figura 6. Receiver Operating Characteristic ROC para CASIA-Iris V1 e CASIA-IRIS-Lamp. Figura 4. Distribuições das distâncias de Hamming para o conjunto Casia- IrisV1. O histograma da esquerda representa a distribuição intraclasse (match). O histograma da direita representa da distribuição interclasse (nonmatch). Para o conjunto Casia-IRIS-Lamp a média da distribuição match na Fig. 5 é de 0,27. Além disso, 1,60% destas amostras possuem HD maior ou igual a 0,45 (falso negativo). Por sua vez, a média da distribuição non-match é de 0,47 e 20,98% destas amostras possuem HD menor que 0,45 (falso positivo). Figura 5. Distribuições das distâncias de Hamming para o conjunto Casia- IRIS-Lamp. O histograma da esquerda representa a distribuição intraclasse (match). O histograma da direita representa da distribuição interclasse (nonmatch). Dessa forma, há claros indícios que o espaçamento temporal entre as imagens a serem comparadas deve ser levado em conta e que, ao contrário do que Daugman diz em [3], o modelo Homogeneous Rubber Sheet não é capaz de eliminar os problemas causados pela contração e dilatação do tecido da íris. Para determinar a taxa de dilatação D, o raio da pupila foi dividido pelo raio da íris. Dessa forma, como raio da pupila é sempre menor que o raio da íris, a relação de dilatação deve ser sempre um número entre 0 e 1. Considerando agora o intervalo da taxa de dilatação (D) do conjunto CASIA-IRIS-Lamp, dividido empiricamente em três faixas iguais, obtém-se os seguintes subconjuntos de imagens: Subconjunto 1 que engloba as imagens com pupilas menores ou com pupilas contraídas, onde as taxas de dilatação são menores que 0,36, ou seja, 0,36. Subconjunto 2 que engloba as imagens com pupilas de tamanho intermediário, com taxas de dilatação entre 0,36 e 0,52, ou seja, 0,36 0,52. Subconjunto 3 que engloba as imagens com pupilas maiores ou dilatadas, onde as taxas de dilatação são maiores que 0,52, ou seja, 0,52. A Fig. 7 mostra a distribuição das distâncias de Hamming para o subconjunto 1. Neste caso, a média das distribuições correspondentes foi de 0,26 com desvio padrão de 0,0512. Para as distribuições não correspondentes do mesmo subconjunto a média foi de 0,47 com desvio padrão de 0,0161 e a decidibilidade encontrada foi 5,53.

5 Para o subconjunto 3 a média das distribuições correspondentes foi de 0,25 com desvio padrão de 0,0519. Para as distribuições não correspondentes do mesmo subconjunto a média foi de 0,46 com desvio padrão de 0,0228 e a decidibilidade encontrada foi 5,24, conforme mostra a Fig. 9. As curvas ROC da Fig. 10 mostra as taxas de erro igual (EER) para os três subconjuntos. Para o subconjunto 1 a taxa de erro igual (EER) foi de 0,98, para o subconjunto 2 a taxa de erro igual (EER) foi de 1,76 e para o subconjunto 3 a taxa de erro igual (EER) foi de 1,55. Figura 7. Distribuição das distâncias de Hamming para as imagens do subconjunto 1. O subconjunto 1 é formado pelas imagens da base Casia-IRIS- Lamp que apresentam taxa de dilatação menor que 0,36. A Fig. 8 mostra a distribuição das distâncias de Hamming para o subconjunto 2. Neste caso, a média das distribuições correspondentes foi de 0,27 com desvio padrão de 0,0562. Para as distribuições não correspondentes do mesmo subconjunto a média foi de 0,47 com desvio padrão de 0,0185 e a decidibilidade encontrada foi 4,78. Figura 10. ROC para os três intervalos de taxa de dilatação. Figura 8. Distribuição das distâncias de Hamming para as imagens do subconjunto 2. O subconjunto 2 é formado pelas imagens da base Casia-IRIS- Lamp que apresentam taxa de dilatação entre 0,36 e 0,52. Figura 9. Distribuição das distâncias de Hamming para as imagens do subconjunto 3. O subconjunto 3 é formado pelas imagens da base Casia-IRIS- Lamp que apresentam taxa de dilatação maior que 0,52. V. CONCLUSÃO Considerando os experimentos realizados, há uma clara indicação que, para imagens com a taxa de dilatação intermediária, entre 0,36 e 0,52, a decidibilidade diminui, deteriorando a resposta do sistema. Para imagens com taxa de dilatação menor que 0,36 e maior que 0,52 as decidibilidades se aproximam. Para o primeiro caso a decidibilidade é de 5,53 e para o segundo caso a decidibiliade é de 5,25, uma diferença de apenas 5%. Esse fato evidencia a influência da variação no tamanho da íris no desempenho do sistema de reconhecimento. Uma possível justificativa para o resultado acima pode ser encontrada no fato de que imagens com baixa taxa de dilatação possuem íris com área maior e, portanto, os pontos amostrados para formar o template possuem características mais discriminantes, pois estão mais afastados entre si. Pelo mesmo raciocínio, imagens com maior taxa de dilatação possuem menor área de íris, porém as estruturas da íris estão mais comprimidas formando uma textura com grande quantidade bordas e cantos que representam características mais discriminantes. Por outro lado, imagens com taxa de dilatação intermediária apresentam uma textura com baixa frequência e poucas características devido ao menor espaçamento entre os pontos amostrados. Dessa forma, os códigos da íris gerados a partir dessas imagens apresentam poucos bits significativos, aumentando a intersecção das distribuições match e non-match no ambiente de decisão e diminuindo a decidibilidade.

6 De forma clara, as curvas ROC dos três conjuntos que foram separados pela taxa de dilatação, seguem a mesma tendência das distribuições de HD. Como dito anteriormente, quanto menor a EER maior é a capacidade do sistema em decidir corretamente a qual classe a amostra pertence. Assim, verifica-se que o subconjunto com menor taxa de dilatação apresenta a menor EER, 0,98, enquanto que o subconjunto com taxa de dilatação intermediária apresenta a maior EER, 1,76, apontando a influência dos movimentos da íris no processo de reconhecimento. Como trabalhos futuros, recomenda-se a utilização de outros bancos de imagens com variações intraclasse e o estudo e comparação de métodos de extração de características que possam diminuir a decidibilidade em sistemas de reconhecimento dinâmico. AGRADECIMENTOS Os autores agradecem à Fundação de Amparo à Pesquisa do Estado de Minas Gerais - FAPEMIG, pelo apoio financeiro ao projeto aprovado referente ao edital 01/2012. REFERÊNCIAS [1] J. Thornton, M. Savvides, and B. V. K. Kumar, A Bayesian Approach to Deformed Pattern Matching of Iris Images, IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 4, pp , Apr [2] J.-Z. Huang, T.-N. Tan, L. Ma, and Y.-H. Wang, Phase Correlation Based Iris Image Registration Model, J. Comput. Sci. Technol., vol. 20, no. 3, pp , May [3] J. G. Daugman, High confidence visual recognition of persons by a test of statistical independence, IEEE Trans. Pattern Anal. Mach. Intell., vol. 15, no. 11, pp , [4] H. J. Wyatt, A minimum-wear-and-tear meshwork for the iris, Vision Res., vol. 40, no. 16, pp , Jul [5] Z. Wei, T. Tan, and Z. Sun, Nonlinear Iris Deformation Correction Based on Gaussian Model, in Advances in Biometrics, Berlin, Heidelberg: Springer Berlin Heidelberg, 2007, pp [6] F. Albert Santos, F. Augusto Faria, and L. Aparecido Villas, Iris Recognition Based on Local Binary Descriptors, IEEE Lat. Am. Trans., vol. 13, no. 8, pp , Aug [7] K. Hollingsworth, K. W. Bowyer, and P. J. Flynn, Pupil dilation degrades iris biometric performance, Comput. Vis. Image Underst., vol. 113, no. 1, pp , [8] R. P. Wildes, Iris recognition: an emerging biometric technology, Proc. IEEE, vol. 85, no. 9, pp , [9] L. Birgale and M. Kokare, Iris recognition without iris normalization, J. Comput. Sci., vol. 6, no. 9, pp , [10] X. Li and M. Xie, A novel algorithm of human iris recognition, Isc Int. Symp. Commun. Inf. Technol. 2005, Proc., vol. I, pp , [11] K. W. Bowyer, K. Hollingsworth, and P. J. Flynn, Image understanding for iris biometrics: A survey, Comput. Vis. Image Underst., vol. 110, no. 2, pp , May [12] J. Daugman, How Iris Recognition Works, in The Essential Guide to Image Processing, vol. 14, no. 1, 2009, pp [13] L. Masek, Recognition of human iris patterns for biometric identification, Univerity West. Aust., [14] M. Vatsa, R. Singh, and A. Noore, Reducing the False Rejection Rate of Iris Recognition Using Textural and Topological Features, Int. J. Signal Process., vol. 2, no. 2, pp , [15] L. Ma, T. Tan, Y. Wang, and D. Zhang, Efficient iris recognition by characterizing key local variations, IEEE Trans. Image Process., vol. 13, no. 6, pp , [16] Y. Z. Y. Zhu, T. T. T. Tan, and Y. W. Y. Wang, Biometric personal identification based on iris patterns, Proc. 15th Int. Conf. Pattern Recognition. ICPR-2000, vol. 2, no , pp , [17] J. Kim, S. Cho, J. Choi, and R. J. M. Ii, Iris Recognition Using Wavelet Features, J. VLSI Signal Process., vol. 38, pp , [18] C. R. M. B. P. and A. C. P. V. Bernadelli, Influence of source light in clinical parameters of pupillary Cycle, IEEE Latin America Transactions, pp , Cláriton Rodrigues Bernadelli nasceu na cidade de Araporã - MG, Brasil. Recebeu o título de Mestre em engenharia elétrica em 2003 pela Universidade Federal de Uberlândia. Atualmente é aluno de doutorado em processamento digital de sinais pela mesma universidade e trabalha como professor na Universidade Federal do Triângulo Mineiro. Seus interesses em pesquisa incluem processamento digital de imagens, processamento digital de sinais e comunicações digitais. Paulo Ricardo da Silva nasceu em Araxá - MG, Brasil. Graduado em Engenharia Elétrica pela Universidade Federal do Triângulo Mineiro UFTM, está completando seu mestrado em Engenharia Elétrica na área de Eletrônica de Potência na Universidade Federal de Uberlândia UFU, onde atualmente faz parte do Grupo de Pesquisa em Eletrônica de Potência (NUPEP). Seus interesses em pesquisa incluem processamento digital de sinais, processamento digital de imagens, desenvolvimento e concepção de topologias de conversores, eletrônica de potência, correção de fator de potência e implementação de do controle digital baseada em DSP. Antônio Cláudio Paschoarelli Veiga nasceu em Salvador BA, Brasil. Formado em engenharia elétrica pela Universidade de São Paulo em Recebeu o título de mestre em engenharia elétrica pela Universidade Federal de Uberlândia em 1998 e o título de Doutor pela Universidade de Campinas em Atualmente é professor de engenharia elétrica na Universidade Federal de Uberlândia. Seus interesses em pesquisa incluem processamento digital de imagens, processamento digital de sinais e comunicações digitais.