ESTUDO COMPARATIVO ENTRE CLASSIFICADORES APLICADOS NUM SISTEMA BIOMÉTRICO DE IDENTIFICAÇÃO PELA GEOMETRIA DA MÃO. Lucas Teló 1, Laurentino Augusto Dantas 1 1 Curso de Sistemas de Informação - UNIPAR - Universidade Paranaense. CEP 85810-240 Cascavel PR - Brasil lucast512@gmail.com, guto@unipar.br Resumo: No presente trabalho foi efetuada a comparação entre os classificadores MultiLayerPerceptron(Rede Neural); JRip(Regras de Decisão); J48 (Árvore de Decisão); IBK (Máquina de aprendizado); REPTree (Árvore de Decisão) afim de verificar a performance deles quando utilizados em um sistema biométrico de identificação pessoal através das características da geometria da mão. Para a execução dos testes foi criada uma base de dados contendo 350 imagens de 35 usuários, 10 fotos do dorso da mão direita de cada um obtidas através de uma webcam. A partir das imagens coletadas foram aplicados algoritmos de processamento de imagens e extraídos vetores de características com 25 primitivas que representavam diversas medidas da mão. Visando as comparações da performance foi utilizado o software de mineração de dados WEKA, o qual possui ferramentas que permite fazer a análise de dados através de diversos classificadores implementados. Como melhor resultado dos experimentos foi obtida uma taxa de erro de 5,59% para 60% da rede treinada usando o classificador J48. Palavras-chave: Classificador, Sistema Biométrico,geometria da mão.
Introdução Biometria do latim, bio(vida) e metria(medida), medida da vida, ou seja a capacidade de poder mensurar cada individuo através de suas características pessoais. Os sistemas baseados na biometria podem identificar um individuo através de características da mão, digital, íris, retina, voz, etc. Autenticação biométrica é o processo de determinar se alguém é, de fato, quem declara ser, com base nas suas características comportamentais e fisiológicas(ribaric, 2005). Sistemas biométricos são essencialmente sistemas de identificação e de autenticação de pessoas a partir de características comportamentais e fisiológicas, que obtém os dados biométricos de um indivíduo através de um dispositivo de captura, efetua a extração de características do dado biométrico adquirido e as transforma num template que depois é comparado com templates armazenados em uma base de dados utilizando algoritmos classificadores (JAIN, ROSS, e PRABHAKAR, 2004). Para a comparação dos templates feita pelos algoritmos classificadores é definida uma margem de erro denominada valor de treshould, esse valor irá influir diretamente na taxa de erro do sistema, que é mensurada pela FAR(False Accept Rate) que ocorre quando um falso individuo é aceito como verdadeiro, e a FRR(False Reject Rate) que ocorre quando um indivíduo verdadeiro é rejeitado (JAIN,2000), um terceiro índice e talvez o mais importante, é o EER que indica uma situação onde para um determinado valor de treshould as taxas de FAR e FRR são iguais..segundo (REILO, 2000) Para as tecnologias biométricas, a geometria da mão é considerada de média segurança, mas com diversas vantagens comparadas com outras, por ter custo médio, visto que só precisa uma plataforma e uma câmera de média resolução, utiliza algoritmos computacionais de baixo custo e imagens pequenas entre 9 e 25 bytes, o que faz com que estes sistemas não exijam hardwares poderosos. Objetivo Fazer análise comparativa do desempenho e taxas de erro dos classificadores mais utilizados em sistemas biométricos de identificação através da geometria da mão, submetendo-os a teste utilizando um mesmo conjunto de primitivas de uma mesma base de imagens. Fundamentação Teórica No artigo de (VELDHUIS, 2004) ele demonstra um método de contorno baseado no reconhecimento da geometria da mão que apesar de simples apresenta taxas de erro de 0,5%. O contorno é determinado pela imagem em preto e branco. Imagens da mão direita são usadas para reconhecimento. A área da mão utilizada fica logo abaixo da base do dedo mínimo até um ponto a uma distância fixa abaixo da base do polegar, partes do contorno inferior não são usados por não serem confiáveis. Pinos de alinhamento são retirados, possíveis dentes são suavizados. (VELDHUIS,
2004). O número de pontos de referência em um contorno podem ser escolhidos livremente, porém o conjunto mínimo é composto de 11 marcos de referência. O ponto de início e término do contorno, as pontas dos dedos e os pontos entre os dedos. (VELDHUIS, 2004). FIGURA 1 - Imagem binária da mão e características geométricas. Fonte: (VELDHUIS, 2004) A verificação foi baseada em um classificador de log da razão de verossimilhança. Antes da classificação o vetor de características foi mapeado em um espaço de menor dimensão através de uma transformação linear. Isto resultou em uma relação de complexidade computacional linear e não quadrátrica. (VELDHUIS, 2004). A captura da imagem foi feita através de uma webcam, colorida, que depois foi convertida em preto e branco, a posição da mão foi fixada com 6 pinos a vista lateral da mão é capturado através de um espelho posicionado 45º abaixo. A vista lateral foi utilizado para medir a altura das mãos. (VELDHUIS, 2004). Nos testes foi feita a comparação de dois métodos, um padrão com base de 30 características de alto nível, um banco de dados com 850 imagens sendo no mínimo 10 e no máximo 20 imagens de cada indivíduo dos 51 indivíduos. (VELDHUIS, 2004). Foram feitos em média 20 testes, as características foram divididas 75% para um conjunto de treinamentos, e o restante 25% para testes. Os coeficientes de transformação e os parâmetros dos classificadores foram estimados a partir do conjunto de treinamento. (VELDHUIS, 2004). Cerca de 213 tentativas genuínas e 10650 falsas foram feitas em cada teste. No total foram feitas 4260 tentativas genuínas e 213 mil tentativas falsas.utilizando o método padrão a taxa de erro foi de 0,27%, sendo que em outros sistemas a taxa é de 0,5%. De acordo com o gráfico o método com 311 pontos de refência apresentou menos taxa de erros. (VELDHUIS, 2004). SANCHEZ-REILLO(2000) em seu trabalho através de uma câmera CCD, capturou 10 imagens de 20 pessoas e obteve uma taxa de 4,9%.
Jain et al. (JAIN, 1999) desenvolveu uma verificação baseada na geometria da mão, usou para isto um protótipo web seguro. Para captura das imagens das mão foram usados uma fonte de luz, uma câmera, um espelho e uma superfície plana contendo 5 pinos para alinhamento dos dedos, a figura 01 ilustra o modelo de captura das imagens. Eram capturadas imagens de oito bits com 640x480 pixels de resolução em escala de cinza. A mão direita era posicionada de acordo com os pinos, a divisão da mão era feita em 16 pontos que indicava as primitivas do vetor de características. Foram obtidas 10 imagens da mão de 50 pessoas, das imagens obtidas 140 foram descartadas, o artigo relata que os testes realizados sobre as imagens restantes obtiveram um índice de 2% de falsa aceitação (FAR)e um índice de 15% de falsa rejeição (FRR). Figura 2. Modelo para captura de imagens da mão direita e indicação dos pontos que representam as primitivas (JAIN,1999). Jain et al. (JAIN, 1999_2) desenvolveram um sistema de verificação que alinha os contornos dos dedos e mensura o erro do alinhamento entre eles, As imagens eram obtidas através de um scanner, em níveis de cinza, com medidas de 640x480pixels.Sobre o scanner foram colocados pinos de modo a acertar o posicionamento das mãos, Foi feito um banco de dados contendo 353 imagens de 53 pessoas, em testes sobre estas imagens foi obtida uma taxa de FAR de 2% e FRR de 3,5%. Covavisaruch et al. (COVAVISARUCH,2005) propôs um sistema de verificação e identificação pessoal baseado nas características biométricas da mão, o sistema faz as verificações utilizando a largura e o comprimento dos dedos além da largura da palma da mão. O sistema fazia a captura da imagem da mão sem a necessidade dos pinos de alinhamento para os dedos. Para efetuar os testes foi criado um banco de dados com 480 imagens de 96 usuários diferentes. Foram utilizadas 6 funções de distância durante os experimentos os
melhores resultados obtidos foi uma taxa de acerto de 94%, falsa aceitação (FAR) de 3% e falsa rejeição (FRR) de 6%. Material e métodos Para a realização da pesquisa utilizou-se as pesquisas exploratórias e bibliográficas, buscando informações em livros, artigos e revistas especializadas. Para a realização dos utilizou-se o software de mineração WEKA (HALL ET AL,2011). Foram implementadas rotinas de processamento de imagens e extração de características da geometria da mão na linguagem de programação Java. Criou-se uma base de dados contendo 10 imagens distintas do dorso da mão direita de 35 indivíduos, totalizando um total de 350 figuras. Representou-se os templates através de vetores de características com 25 primitivas que indicam medidas tais como a largura e comprimento dos dedos ou da palma. Os templates foram gravados em arquivos no padrão WEKA para serem submetidos aos testes. Classificadores O objetivo principal dos classificadores é identificar a que classe pertence um determinado objeto, com base em treinamentos em um conjunto de dados que contém outras classes sendo suas classes filho conhecidas. Neste trabalho, optou-se pela utilização dos classificadores, baseados em árvore de decisão, regras de decisão, aprendizagem de máquina e redes neurais. A escolha por tais classificadores se deu pelos fato deles já terem sido utilizados nos trabalhos estudados. O JRIP ou Ripper (Repeated Incremental Pruning to Produce Error Reduction), foi proposto por William W. Cohen Algoritmo baseado em regras de decisão, tais como SE e ENTÃO. Este algoritmo basicamente se divide em duas fases a primera fase gera um conjunto de regras para a comparação e a segunda etapa otimiza o conjunto de regras inicial para diminuir erros e tornar o processo mais seletivo, sendo estes dois estagios repetidos inúmeras vezes. O J48 e o REPTree são dois algoritmos baseados em árvore de decisão. Segundo (PEREIRA, 2002) Árvore é uma coleção finita de 0 ou mais nodos. Caso a árvore obtenha zero nodos então se diz que ela é nula, do contrário ela apresenta um nodo raiz, e demais nodos denominados sub-árvores. O número de sub-árvores indica o grau. Quando um determinado nodo não possui sub-árvores, este nodo é chamado de folha. J48 e o RepTree são algoritmos de código aberto baseados na implementação do algoritmo C45 através do WEKA(HALL,2011). Algoritmos de Árvore de decisão, começam com um conjunto de casos, utilizando uma estrutura de árvore que pode ser utilizada para classificar novos dados.cada caso é um conjunto de atributos podendo ter valores numéricos ou simbólicos. (QUINLAN,1993) Cada nó interno de uma árvore de decisão contém um teste, cujo resultado é usado para decidir aonde o algoritmo deve prosseguir. (QUINLAN,1993). Quilan utiliza este algoritmo em seus trabalhos para diagnóstico de hipertireoidismo, diagnóstico de doenças de soja e aprovação de crédito. (QUINLAN,1993).
O IBK( Machine Learning) é um classificador baseado em aprendizagem de máquina e na inteligência artificial, consiste em algoritmos que melhoram seu desempenho e processamento através da experiência adquirida, sendo muito utilizado em motores de busca, e identificações pessoais como a fala e escrita. Aprendizagem de máquina ajuda a encontrar soluções para muitos problemas na visão, reconhecimento de fala e robótica. Aprendizagem de máquina é um programa de computadores para otimizar um critério de desempenho utilizando dados de exemplo ou experiência anterior. Temos um modelo definido até alguns parâmetros, e aprender é a execução do programa de computador para otimizar os parâmetros do modelo usando os dados de treinamento ou experiência anterior. o modelo pode ser preditivo para ter previsões para o futuro, ou descritivo para ganhar conhecimento a partir de dados, ou ambos. (ALPAYDIN,2004). O MultiLayerPerceptron é um classificador baseado em redes neurais, que segundo (BRAGA ET AL,2000) são sistemas que relembram a estrutura do cérebro humano. Sistemas paralelos distribuídos, compostos de nodos, que calculam funções matemáticas, podendo ser organizadas em uma ou mais camadas, e interligadas por conexões, estas conexões possuem pesos que armazenam o conhecimento adquirido durante a aprendizagem. Uma rede MLP é uma rede Perceptron de camadas múltiplas que possue pelos menos 3 camadas, uma de entrada, uma intermediária responsável pela não linearidade da rede, que torna as redes capazes de aprender e uma camada de saída, responsável por dar respostas a rede. (VALENÇA, 2010). Uma rede neural pode ser definida genericamente como uma estrutura composta por um conjunto de unidades de processamento(neurônios artificiais) interconectados, tendo cada unidade de processamento uma função de ativação específica. (VALENÇA, 2010,Pg. 155). Resultados e Discussões O aplicativo WEKA (HALL,2011) foi utilizado no trabalho para treinamento dos dados, este software possui diversas ferramentas para comparação, mineração e classificação de dados. Para o trabalho proposto foram coletadas imagens de 35 pessoas sendo 10 imagens de cada, obtendo um total de 350 imagens na base de dados. A quantidade de 10 imagens por pessoa é baseada no número médio de imagens de cada indivíduo coletadas nos trabalhos estudados. Os templates foram representados através de vetores de características contendo 25 primitivas cada um, que nos sistemas biométricos por geometria da mão indicam medidas tais como a largura e comprimento dos dedos ou da palma, a figura 3 mostra as etapas do processamento das imagens e as características extraídas.
a) Imagem original b) Exclusão pinos c) Filtro Sobel d) Limiarização de Otsu e) Definição Pontos f) Calculo distâncias Figura 3. Etapas processamento das imagens, a) imagem original, b) segunda exclusão dos pontos de fixação, c) aplicação filtro de Sobel, d) Limiarização de Otsu, e) Definição Pontos e f) cálculo das distâncias entre os pontos. Após a extração das primitivas os templates foram gravados em arquivos no padrão WEKA e foram submetidos a testes com os classificadores MultiLayerPerceptron, JRip, J48, IBK( baseado na medida euclidiana) e o REPTre, nos testes utilizou-se diversas porcentagens dos templates para treino e teste de acertos. Foram obtidas as seguintes taxas de EER como melhor desempenho dos algoritmos testados: Tabela 1. Taxas de erro dos classificadores. Classificador Taxa de Erro(EER) % Dados Treino Tempo Execução MultiLayerPerceptron 9,04% 70% 60 segundos Jrip 14,20% 60% 35 segundos J48 5,59% 60% 24 segundos IBK 7,79% 70% 29 segundos REPTree 6,16% 70% 27 segundos Considerações Finais Os sistemas biométricos por geometria da mão podem ser construídos com o uso de leitores biométricos e equipamento para processamento de baixo custo, por
apresentarem baixa complexidade se mostram uma boa alternativa para testes e experiências na área da biometria. A partir dos testes efetuados constatou-se que classificadores distintos obtém taxas de EER diversas numa mesma base de templates, o que demonstra que a escolha do classificador vai influir diretamente na taxas de erro do sistema. Os resultados obtidos no trabalho se mostram satisfatórios, pois uma taxa de EER de 5.59% utilizando 60% dos dados para treino da rede estão muito próximas daquelas apresentadas pelos diversos artigos estudados. Referências ALPAYDIN, ETHEM (2004). Introduction to Machine Learning. MIT Press Massachusetts Institute of Technology. BRAGA, Antônio de Pádua; Ludermir, Teresa Bernanda; Carvalho, André Carlos Ponce de Leon Ferreira,(2000). Redes Neurais Artificiais Teoria e Aplicações. Livros Téctinicos e Científicos S.A. Rio de Janeiro. COVAVISARUCH, Nongluk, PRATEEPAMORNKU, Pipat l, RUCHIKACHORN, Puripant, TAKSAPHAN, Piyanaat (2005), Personal Verification and Identification Using Hand Geometry, ECTI Transactions On Computer And Information Technology vol.1, nº.2, p. 134-140. HALL, Mark; FRANK, Eibe; HOLMES, Geoffrey; PFAHRINGER, Bernhard; REUTEMANN, Peter; WITTEN, Ian H.,(2011), The WEKA Data Mining Software: An Update; SIGKDD Explorations, Volume 11, Issue 1. Disponível em: http://www.cs.waikato.ac.nz/ml/weka/ Acesso em: 24/06/2011 JAIN, Anil K., DUTA, Nicolae, (1999) deformable matching of hand shapes for user verification, International Conference on Image Processing, p. 857-861. JAIN, Anil.; Hong, L.; Pankanti, S., (2000) Biometrics: Promising frontiers for emerging identification market, computer, vol. 33, no. 2. JAIN, Anil K., ROSS, Arun, PRABHAKAR, Salil,(2004), IEEE Trans. on Circuits and Systems for Video Technology, vol. 14, p. 4-20. PEREIRA, Silvio do Lago (2002), Estrutura de Dados Fundamentais Conceitos e aplicações. QUINLAN, J. R. (1995) C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers. RIBARIC, Slobodan, FRATRIC, Ivan (2005),An Online Biometric Authentication System Based on Eigenfingers and Finger-Geometry, 13th Eur. Signal Processing Conf..
REILO, Raul Sanches, AVILA, Carmem Sanches, MARCOS, Ana Gonzalez(2000), Biometric Identification Trough Hand Geometry Measurements, IEEE Transactions on Pattern Analysis and Machine Intelligence,nº 10, vol. 22, p. 1168-1171. SANCHEZ-REILLO, R., (2000) Hand Geometry Pattern Recognition through Gaussian Mixture Modeling, icpr, vol. 2,, 15th International Conference on Pattern Recognition (ICPR'00) - Volume 2, p. 2937. VALENÇA, Mêuser Jorge Silva (2010). Fundamentos das Redes Neurais Exemplos em JAVA. 2ª Edição.Livro Rápido.Recife. VELDHUIS, Raymond, BAZEN, Asker, BOOIJ, Wim, HENDRIKSE, Anne (2004)A Comparison of Hand-Geometry Recognition Methods Based on Low- and High- Level Features. ProRISC 2004, 15th Annual Workshop on Circuits, Systems and Signal Processing. Witten, I.H. & Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann Publishers, 2 nd edition, San Francisco, California.