Implementac¸ao de um Software de Reconhecimento˜ … · Com o intuito de resolver esta defici´...
Transcript of Implementac¸ao de um Software de Reconhecimento˜ … · Com o intuito de resolver esta defici´...
Eduardo Guse e Joao Carlos Warmling
Implementacao de um Software de ReconhecimentoAutomatico de Impressao Digital
Sao Jose – SC
Julho / 2013
Eduardo Guse e Joao Carlos Warmling
Implementacao de um Software de ReconhecimentoAutomatico de Impressao Digital
Monografia apresentada a Coordenacao doCurso Superior de Tecnologia em Sistemasde Telecomunicacoes do Instituto Federal deSanta Catarina para a obtencao do diploma deTecnologo em Sistemas de Telecomunicacoes.
Orientador:Prof. Marcelo Maia Sobral, Dr.
Co-orientador:
Profa. . Elen Macedo Lobato Merlin, Dra.
CURSO SUPERIOR DE TECNOLOGIA EM SISTEMAS DE TELECOMUNICACOES
INSTITUTO FEDERAL DE SANTA CATARINA
Sao Jose – SC
Julho / 2013
Monografia sob o tıtulo “Implementacao de um Software de Reconhecimento Automatico
de Impressao Digital”, defendida por Eduardo Guse e Joao Carlos Warmling e aprovada em 23
de julho de 2013, em Sao Jose, Santa Catarina, pela banca examinadora assim constituıda:
Prof. Marcelo Maia Sobral, Dr. Eng.Orientador
Prof. Tiago Semprebom, Dr. Eng.IFSC
Prof. Marcos Moecke, Dr. Eng.IFSC
“Ninguem e tao ignorante que nao tenha algo a ensinar;
e ninguem e tao sabio que nao tenha algo a apreender.”
— BLAISE PASCAL, 1623-1662, FILOSOFO, FISICO, MATEMATICO E ESCRITOR FRANCES
Agradecimentos
Agradecemos a Instituto Federal de Santa Catarina, campus de Sao Jose, que disponibilizou
a oportunidade da realizacao deste curso. Ao amigo Ricardo Martins que sempre nos deu muito
apoio para que este trabalho fosse realizado. Aos amigos que fizemos durante o convıvio escolar
e tambem por nossos constantes encontros, onde pudemos reforcar nossa amizade e espırito
de equipe. Ao nosso professor orientador Marcelo Sobral que sempre serviu-nos de inspiracao
pela sua sabedoria e humildade. E tambem nao podemos deixar de pensar no que cada professor
deixou para nos, nao sobre o conteudo das aulas, mas sim como pessoas. Afinal, muitos deles
tornaram-se nossos amigos, assim como o professor Ederson Torresini, nosso professor filosofo
que nos faz pensar um pouco mais para onde estamos indo. A empresa Automatiza e ao amigo
Cleber Amaral por ceder-nos um pouco de seu tempo e espaco para trabalhar. Temos certeza
que muitos outros precisariam ser citados e pedimos perdao por omiti-los.
“ Gostaria de agradecer a minha amada esposa Carla pela compreencao, amor e paciencia
durante todo o perıodo do curso, e tambem pela ajuda nos momentos difıceis. As minhas filhas
Emanuelle e Isabelle que sempre esperaram o papai com um sorriso e um abraco. A minha
mae Cecılia por ensinar o quanto o estudo e o conhecimento sao importante para a vida. Ao
amigo, Joao Carlos Warmling por saber me compreender e se mostrar sempre prestativo com
sua vontade incessante de conhecimento. ” (Eduardo Guse)
“ Agradeco aos meus pais, que me apoiaram durante todo o curso, tornando possıvel a
chegada ate aqui. Agradeco principalmente ao meu melhor amigo, e companheiro deste traba-
lho, Eduardo Guse, por me conceder a honra de acompanha-lo neste percurso. A ele tambem,
agradeco imensamente por todo apoio, paciencia e ensinamento durante o curso e principal-
mente na execucao deste trabalho. Tambem agradeco a sua esposa e famılia por permitir e
compreender todo o esforco atribuıdo a realizacao desta monografia.” (Joao Carlos Warmling)
Resumo
Atualmente muitos sistemas de identificacao biometrica estao sendo desenvolvidos, dentreeles o de impressao digital; isto porque ela permite que as informacoes sejam facilmente ex-traıdas na maioria das pessoas. Atraves da analise de uma foto capturada da impressao digitale possıvel identificar pontos singulares, conhecidos como minucias. Os tipos de minucias e sualocalizacao sao os principais elementos utilizados para a maioria dos sistemas atuais. Porem,muitas destas tecnicas nao permitem identificar a digital se estiverem fora do alinhamento dadigital cadastrada. Com o intuito de resolver esta deficiencia, este trabalho apresenta um algo-ritmo de reconhecimento de impressao digital baseado em triangulacao de minucias. Atravesde uma rede de triangulos e possıvel fazer a identificacao da digital, mesmo que ela esteja des-locada ou rotacionada. Em busca de melhores resultados duas tecnicas diferentes foram pesqui-sadas, a triangulacao de Delaunay, onde nao existe cruzamento de arestas, e a triangulacao devizinhos mais proximos (estrutura em estrela). Um sistema de correlacao analisa o formato dasarestas, angulos e os tipos das minucias nos triangulos, de forma que se possa identificar a digi-tal. Com a analise dos resultados das correlacoes pode-se definir limiares de decisao para cadatecnica aplicada. Finalmente foi verificado que as tecnicas de estrutura em estrela apresentarammelhores resultados.
Palavras-chave: Impressao Digital, Sistema Biometrico, Triangulacao, Minucias.
Abstract
There are currently many biometric identification systems under development, includingfingerprint recognizing systems. Such systems are attractive because they enable to easily obtainidentification data from most of people. From analysis of fingerprint images, it is possibleto identify some interesting points called minutiae. Their kinds and locations are the mainelements used by most of current systems. But many of those techniques are unable to identifya fingerprint if it is rotated, compared to its corresponding stored fingerprint. To solve suchlimitation, this work proposes an algorithm to recognize fingerprints based on triangulation ofminutiae. By means of a net of triangles it is possible to identify a fingerprint, even if rotated ordisplaced. Two different techniques were investigated: i) Delaunay triangulation, which avoidsintersecting edges, and ii) nearest neighbors triangulation, which generates a star topology. Inboth approaches, a correlation system analyses edge lengths, angles between edges, and kind ofminutiae, to recognize the fingerprints. Decision thresholds for each technique were determinedbased on results from the correlation analysis. Finally, it was found that better results wereobtained with the technique based on star topology.
Keywords: Fingerprint, Biometric systems, Triangulation, Minutiae.
Sumario
Lista de Figuras
Lista de Tabelas
1 Introducao p. 13
1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 14
2 Fundamentacao Teorica p. 15
2.1 Biometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 15
2.2 Reconhecimento Biometrico . . . . . . . . . . . . . . . . . . . . . . . . . . p. 15
2.3 Impressao digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 16
2.3.1 Caracterısticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 17
2.3.2 Reconhecimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 19
2.3.3 Taxa de erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 20
2.4 Algoritmos de reconhecimento baseados em minucias . . . . . . . . . . . . . p. 22
2.4.1 Sobreposicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22
2.4.2 Alinhamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22
2.4.3 Estrutura em estrela . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 23
2.4.4 Triangulacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25
2.5 Armazenamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25
3 Desenvolvimento p. 26
3.1 Aquisicao da impressao digital . . . . . . . . . . . . . . . . . . . . . . . . . p. 27
3.2 Minucias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 28
3.3 Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 29
3.3.1 Modelo Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 30
3.3.2 Modelo estrela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32
3.3.3 Ordenacao de Angulos . . . . . . . . . . . . . . . . . . . . . . . . . p. 34
3.3.4 Construcao do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . p. 35
3.4 Armazenamento e Reconhecimento de Digitais . . . . . . . . . . . . . . . . p. 36
3.4.1 Armazenamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 36
3.4.2 Reconhecimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 37
3.4.3 Correlacao de pontos . . . . . . . . . . . . . . . . . . . . . . . . . . p. 41
3.4.4 Fator de relevancia . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 41
3.5 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
4 Testes e resultados p. 44
4.1 Testes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44
4.1.1 Interfaces de captura . . . . . . . . . . . . . . . . . . . . . . . . . . p. 46
4.1.2 Digitais artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 47
4.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49
4.2.1 Analise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 51
4.2.2 Teste adicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 53
4.3 Conclusoes dos resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 55
5 Conclusoes p. 56
Apendice A -- Pre-testes p. 58
A.1 Ferramenta de correlacao de triangulos . . . . . . . . . . . . . . . . . . . . . p. 58
A.2 Ferramenta de correlacao de pontos . . . . . . . . . . . . . . . . . . . . . . p. 59
A.3 Ferramenta de comparacao de imagens . . . . . . . . . . . . . . . . . . . . . p. 60
Apendice B -- Tabela resultados cenario I p. 62
Apendice C -- Tabela resultados cenario II p. 68
Lista de Abreviaturas p. 74
Referencias Bibliograficas p. 75
Lista de Figuras
2.1 Cristas e vales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 16
2.2 Destaque superior o nucleo, inferior o delta . . . . . . . . . . . . . . . . . . p. 17
2.3 Padroes caracterısticos dos pontos singulares (COSTA, 2001) . . . . . . . . . p. 18
2.4 Tipos de minucias (FIORENTIN, 2006) . . . . . . . . . . . . . . . . . . . . p. 18
2.5 Fluxo de processamento do mindtct . . . . . . . . . . . . . . . . . . . . . . p. 20
2.6 Taxas FAR e FRR (MALTONI et al., 2009) . . . . . . . . . . . . . . . . . . p. 21
2.7 Reconhecimento por interseccao de sobreposicao (FIORENTIN, 2006) . . . . p. 22
2.8 Alinhamento por segmento de crista (JAIN et al., 2007) . . . . . . . . . . . . p. 23
2.9 Estrutura estrelar (FENG; CAO, 2009) . . . . . . . . . . . . . . . . . . . . . p. 24
2.10 Modelo com estrela central (TEDESCO; COUTO, 2004) . . . . . . . . . . . p. 24
3.1 Digital original e rotacionada com minucias . . . . . . . . . . . . . . . . . . p. 26
3.2 Correcao da distorcao na imagem adquirida . . . . . . . . . . . . . . . . . . p. 28
3.3 Digital com minucias destacadas . . . . . . . . . . . . . . . . . . . . . . . . p. 29
3.4 Fluxograma de criacao do modelo . . . . . . . . . . . . . . . . . . . . . . . p. 30
3.5 Metodo Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 31
3.6 Modelo conexoes Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32
3.7 Area de validacao dos pontos P1 e P2 . . . . . . . . . . . . . . . . . . . . . p. 32
3.8 Modelo com conexoes em estrela . . . . . . . . . . . . . . . . . . . . . . . . p. 34
3.9 Metodo de ordenacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 35
3.10 Estrutura do Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . p. 36
3.11 Impacto da alteracao de um ponto . . . . . . . . . . . . . . . . . . . . . . . p. 38
3.12 Variacao de angulo e arestas entre dois pontos . . . . . . . . . . . . . . . . . p. 39
3.13 Area de busca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 39
3.14 Fluxograma de reconhecimento da digital . . . . . . . . . . . . . . . . . . . p. 40
3.15 Fator de relevancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
3.16 Software Interface homem maquina . . . . . . . . . . . . . . . . . . . . . . p. 43
4.1 Interface de captura de digitais para consulta . . . . . . . . . . . . . . . . . . p. 46
4.2 Interface de captura de digitais para cadastro . . . . . . . . . . . . . . . . . . p. 47
4.3 Histograma com o numero de minucias . . . . . . . . . . . . . . . . . . . . p. 48
4.4 Histograma de angulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 48
4.5 Histograma de arestas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49
4.6 Dispersao de usuarios na configuracao 7 e variacao de busca 11, no cenario II p. 50
4.7 Distribuicao de usuarios na configuracao 7 e variacao de busca 11, no cenario II p. 51
4.8 Pontuacao por usuario no modelo estrela de 3 conexoes com distancia de 20
pixels, com consulta por 3 nos e variacao de 8%, no cenario II . . . . . . . . p. 52
4.9 Pontuacao por usuario no modelo estrela de 4 conexoes com distancia de 20
pixels, com consulta por 3 nos e variacao de 8%, no cenario II . . . . . . . . p. 52
4.10 Pontuacao por usuario no modelo estrela de 6 conexoes com distancia de 20
pixels, com consulta por todos os nos e variacao de 8%, no cenario II . . . . p. 54
4.11 Distribuicao de pontuacao no modelo estrela de 6 conexoes com distancia de
20 pixels, com consulta por todos os nos e variacao de 8%, no cenario II . . . p. 55
A.1 Ferramenta de correlacao de triangulos . . . . . . . . . . . . . . . . . . . . . p. 59
A.2 Ferramenta de correlacao de pontos . . . . . . . . . . . . . . . . . . . . . . p. 60
A.3 Ferramenta de comparacao de imagens . . . . . . . . . . . . . . . . . . . . . p. 61
Lista de Tabelas
2.1 Frequencia de distribuicao das minucias (MORAES, 2006) . . . . . . . . . . p. 19
4.1 Cenario I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44
4.2 Cenario II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44
4.3 Configuracao do modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 45
4.4 Variacoes do modelo selecionado . . . . . . . . . . . . . . . . . . . . . . . . p. 45
4.5 Melhores ındices, do cenario I, entre modelos propostos . . . . . . . . . . . . p. 49
4.6 Melhores ındices, do cenario II, entre modelos propostos . . . . . . . . . . . p. 50
4.7 Configuracao do modelo dos testes extras . . . . . . . . . . . . . . . . . . . p. 53
4.8 Resultados finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 53
B.1 Resultados do cenario I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 67
C.1 Resultados do cenario II . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 73
13
1 Introducao
A tecnologia cada vez mais propicia facilidade e agilidade no acesso a informacao. A
seguranca desses dados, assim como a garantia de acesso restrito a ambientes e uma grande
preocupacao nos dias atuais. Com a necessidade de limitar esses acessos criaram-se metodos
de seguranca como senha, cartao entre outros. Contudo, essas formas de autorizacao nao conse-
guem garantir a autenticidade do usuario, e tambem sao suscetıveis a perdas ou esquecimento.
Tendo em vista que existem caracterısticas fısicas que sao unicas, imutaveis e intransferıveis,
algumas tecnicas de reconhecimento foram estudadas, tais como impressao digital, ıris e facial.
A impressao digital vem sendo muito utilizada devido a facilidade de coleta da informacao.
Esta pode ser representada atraves de seus pontos de terminacoes e bifurcacoes, denominados
minucias. Numa impressao digital podem ser encontradas muitas minucias, mas a partir de um
numero mınimo ja e possıvel identificar a digital.
O processo basico de identificacao e feito comparando a imagem adquirida com as imagens
das impressoes digitais armazenadas. Esse processo pode ser lento e suscetıvel a erros de ali-
nhamento. Tambem e importante frisar que em diferentes coletas da mesma digital, e provavel
que existam perdas e adicao de minucias.
Um dos objetivos deste trabalho e desenvolver um algoritmo de pre-processamento, onde
usaremos uma triangulacao entre minucias para facilitar, agilizar e aumentar a confiabilidade
das buscas computacionais.
Uma tecnica computacional apresentada no livro (BERG; CHEONG; KREVELD, 2008) e
a triangulacao de Delaunay, que sera usada para conectar as minucias formando triangulos de
modo que as arestas nao se cruzem. As conexoes realizadas pelos triangulos criam redundancias
sobre cada ponto.
As informacoes dos triangulos serao armazenadas num banco de dados, na forma de angulo
e comprimento das arestas. Sendo assim, a consulta e baseada numa rede de conexoes, de forma
conhecida, ordenada entre os pontos.
1.1 Objetivos 14
O trabalho devera ser concluıdo com a criacao de uma aplicacao, na qual sera possıvel
cadastrar e identificar impressoes digitais.
1.1 Objetivos
O objetivo principal deste trabalho e desenvolver um software de reconhecimento de im-
pressao digital e uma interface grafica com funcionalidades de cadastro e reconhecimento au-
tomatico de digitais. Busca-se ainda:
• Desenvolver um algoritmo de preprocessamento para criacao de um modelo de relacio-
namento entre minucias utilizando tecnica de estrela e triangulacao de Delaunay;
• Desenvolver um algoritmo de busca baseado no modelo de relacionamento entre minucias;
• Integrar um leitor de impressao digital;
• Integrar um algoritmo de extracao de minucias;
15
2 Fundamentacao Teorica
2.1 Biometria
Biometria e o estudo das caracterısticas fısicas e comportamentais dos seres humanos. Es-
sas caracterısticas sao utilizadas em sistemas biometricos para reconhecimento do usuario. Con-
forme (MALTONI et al., 2009), os sistemas biometricos podem utilizar qualquer caracterıstica
do ser humano, desde que satisfaca as seguintes condicoes:
• Universalidade - Toda pessoa deve conter;
• Unicidade - Deve ser unico;
• Imutabilidade - Ser constante;
• Coletabilidade - Pode ser extraıda e mensurada.
Dentre as caracterısticas fısicas que abrangem essas condicoes estao as impressoes digitais,
geometria da palma, retina, ıris e caracterısticas faciais. Podemos citar a assinatura, a voz e o
padrao de digitacao como caracterısticas comportamentais utilizadas em sistemas biometricos.
O reconhecimento atraves da impressao digital e bastante utilizado e possui facil coletabilidade,
baixo custo e boa velocidade de resposta.
2.2 Reconhecimento Biometrico
O processo de reconhecimento segue alguns procedimentos padroes, indiferentemente da
caracterıstica utilizada.
• Captura - Etapa na qual e realizada a aquisicao e digitalizacao de uma amostra biometrica.
• Extracao das caracterısticas - Nesta parte os dados capturados sao processados. Buscando
identificar, localizar e codificar as caracterısticas biometricas da amostra.
2.3 Impressao digital 16
• Modelagem - Este processo organiza as caracterısticas adquiridas, criando um padrao de
representacao.
• Armazenamento - Arquivamento das informacoes modeladas, de forma que possam ser
facilmente recuperadas.
• Comparacao - Verificacao da correlacao entre o modelo inserido e os armazenados. Em
alguns casos e realizada uma pre-selecao para agilizar a consulta.
O reconhecimento de impressao digital e uma tecnologia recente, porem bastante popular
e pesquisado ate o momento. A popularizacao dos equipamentos se deve ao elevado poder
de processamento dos dispositivos embarcados e pelo constante estudo por algoritmos mais
rapidos e eficientes. Dentre as aplicacoes mais comuns podemos citar:
• Ciencia forense - Identificacao criminal;
• Ponto eletronico - Garante que o trabalhador esteja presente;
• Controle de acesso - Identificacao de entrada e saıda de pessoas;
• Auto atendimento bancario - Autenticacao do usuario.
2.3 Impressao digital
Datiloscopia e o estudo dos dedos. As polpas dos dedos possuem saliencias que sao conhe-
cidas por linhas ou cristas papilares. A cavidade entre duas cristas e denominado sulco interpa-
pilar ou vale. Conforme identificado na figura 2.1. O conjunto dessas formacoes epidermicas
constituem a impressao digital. As direcoes e interrupcoes das cristas papilares criam estru-
turas que caracterizam a unicidade do indivıduo. Essas formacoes podem ser utilizadas para
classificacao e para identificacao.
Figura 2.1: Cristas e vales
2.3 Impressao digital 17
2.3.1 Caracterısticas
Dentre as caracterısticas da impressao digital podemos citar os pontos singulares e as
minucias como sendo as mais utilizadas em sistemas de reconhecimento.
Pontos Singulares
As singularidades sao utilizadas principalmente para classificacao. De acordo com (AN-
SELMO, 2011), apud WANG 2004 os pontos singulares usados para classificacao sao os nucleos
e deltas. (COSTA, 2001) afirma que o nucleo e o ponto localizado na area central da impressao
digital, e que os deltas sao angulos ou triangulos formados pela bifurcacao de uma crista pa-
pilar ou atraves da abrupta divergencia de duas linhas papilares paralelas. Na figura 2.2 estao
destacadas essas caracterısticas.
Figura 2.2: Destaque superior o nucleo, inferior o delta
De acordo com os padroes de nucleos e deltas encontrados na digital os mesmos podes ser
classificados como arco, presilha ou verticilo, conforme ilustrado na figura 2.3
2.3 Impressao digital 18
Figura 2.3: Padroes caracterısticos dos pontos singulares (COSTA, 2001)
Minucias
As varias formas que as cristas podem apresentar numa impressao digital criam padroes
distintos denominados minucias. Dentre os padroes encontrados temos os pontos, terminacoes,
bifurcacoes, ilhas, esporas, cruzamentos, pontes e cristas curtas, conforme ilustrado na figura
2.4.
Figura 2.4: Tipos de minucias (FIORENTIN, 2006)
(MORAES, 2006) reporta que Richard Edward Henry realizou um estudo e diagnosticou
a media de distribuicao de minucias da digital sintetizadas na tabela 2.1. As bifurcacoes e
terminacoes representam quase 80% dos pontos, por isso, elas sao as mais utilizadas em siste-
mas de reconhecimento.
2.3 Impressao digital 19
Tipos de Minucias % do total de minucias Minucias por impressao
Pontos 4.3 18
Terminacoes 60.6 258
Bifurcacoes 17.9 76
Ilhas 0.7 3
Esporas 4.7 20
Cruzamentos 3.2 14
Pontes 2.5 10
Cristas curtas 6.1 26
Tabela 2.1: Frequencia de distribuicao das minucias (MORAES, 2006)
2.3.2 Reconhecimento
O reconhecimento da impressao digital e feito atraves de comparacoes entre a amostra e as
informacoes armazenadas. A comparacao pode ser realizada de tres formas:
• Correlacao em sobreposicao - Duas imagens sao sobrepostas e o reconhecimento e medi-
ante a correlacao entre ambas.
• Caracterısticas das cristas - Sao utilizadas caracterısticas extraıdas das cristas papilares
como frequencia, orientacao local, forma e textura (FALGUEIRA, 2008).
• Casamento de minucias - Apos a identificacao das minucias e realizado um mapeamento
bidimensional dos pontos. Este e utilizado para comparacao, buscando o maior numero
de pontos correlacionados. Segundo (MALTONI et al., 2009), o guia forense dos EUA
afirma que 12 pontos em comum sao suficientes para o reconhecimento de uma digital.
Sistema de deteccao de minucias
No pacote de codigo aberto NIST Biometric Image Software (NBIS), esta contido o mindtct
que e um sistema usado para deteccao de minucias. As minucias sao detectadas em terminacoes
ou bifurcacoes, e sua localizacao, tipo, orientacao e qualidade sao armazenadas e utilizadas para
pesquisa. O processamento de entrada e saıda do mindtct e apresentado na figura 2.5 e o arquivo
de saıda “arquivo.min” esta formatado num padrao internacional.
O processamento usado pelo mindtct e bem complexo e nao entra no escopo deste trabalho.
2.3 Impressao digital 20
Para detalhes de funcionamento o guia “User’s Guide to NIST Biometric Image Software” pode
ser consultado, assim como o seu codigo fonte.
Figura 2.5: Fluxo de processamento do mindtct
Adversidades
Existem muitas dificuldades inseridas no processo de reconhecimento da digital. Todo
algoritmo de reconhecimento deve, ao menos, tentar prever o deslocamento, rotacao, parciali-
dade, sujeira, area de contato, pressao no coletor, distorcao nao linear entre outros problemas.
Algumas dessas adversidades podem gerar falsas minucias ou a exclusao de pontos validos.
2.3.3 Taxa de erros
Os algoritmos de reconhecimento efetuam a validacao baseados em um limiar de similari-
dade. Apesar da caracterıstica de unicidade da impressao digital, as adversidades podem levar
o algoritmo a tomar uma decisao errada. A eficiencia do algoritmo pode ser medida sobre
2.3 Impressao digital 21
diversos indicadores. Os principais sao as taxas de falsa aceitacao e rejeicao.
• Taxa de falsa aceitacao - False Acceptance Rate (FAR) e a proporcao de vezes que o
algoritmo valida uma impressao nao cadastrada. Ou seja, a taxa e referente a aceitacao de
pessoas nao cadastradas sobre a aceitacao de usuarios validos.
• Taxa de falsa rejeicao - False Reject Rate (FRR) e a taxa relativa ao nao reconhecimento
de uma impressao cadastrada. Em outras palavras e a proporcao de vezes em que usuarios
validos sao rejeitados pelo sistema.
A figura 2.6 demonstra as curvas de distribuicao de digitais genuınas e impostoras. E
possıvel observar que elas se cruzam no centro, formando um regiao onde normalmente se
localiza o limiar de decisao. De forma geral, podemos dizer que quanto mais distante as duas
distribuicoes estao melhor e o algoritmo, pois e possıvel discernir com mais precisao as digitais
genuınas das impostoras.
Figura 2.6: Taxas FAR e FRR (MALTONI et al., 2009)
Movendo o limiar para a esquerda ou direita do grafico, pode-se definir um limiar mais
permissivo ou restritivo.
Muitos algoritmos utilizam um sistema de peso para cada similaridade encontrada no mo-
delo. A soma dos pesos encontrados determina o nıvel de decisao. Se este nıvel for maior que
o limiar, esta digital sera aceita.
2.4 Algoritmos de reconhecimento baseados em minucias 22
2.4 Algoritmos de reconhecimento baseados em minucias
Atualmente, existem diversos algoritmos de reconhecimento que utilizam minucias. A
sobreposicao, alinhamento, estrutura em estrela e triangulacao sao alguns exemplos que usa-
mos como inspiracao para o desenvolvimento proposto.
2.4.1 Sobreposicao
Este tipo de tecnica, basicamente, faz a identificacao de areas comuns em imagens sobre-
postas. Um exemplo sao os sistemas de sobreposicao baseados em processos morfologicos,
conforme demonstrado por (FIORENTIN, 2006). Nesse caso, e aplicado a dilatacao nos pontos
de localizacao das minucias. A dilatacao e uma tecnica que aumenta a area de um componente.
Apos essa transformacao e entao realizada a sobreposicao da nova imagem com a armazenada,
sendo validado pontos em que ocorra interseccao, como ilustrado na figura 2.7. Dessa forma e
possıvel corrigir apenas pequenas variacoes, porem e suscetıvel aos demais incidentes de coleta.
Figura 2.7: Reconhecimento por interseccao de sobreposicao (FIORENTIN, 2006)
2.4.2 Alinhamento
Uma das tecnicas desenvolvidas que visam sanar a translacao e a rotacao e o alinhamento.
Um estudioso dessa tecnica e (JAIN et al., 2007), que propos o alinhamento utilizando a minucia
e as informacoes sobre a crista associada a esta. Nesta tecnica, a crista e dividida em segmentos
2.4 Algoritmos de reconhecimento baseados em minucias 23
de retas que sao utilizadas para o alinhamento com o modelo, conforme ilustrado na figura 2.8.
Figura 2.8: Alinhamento por segmento de crista (JAIN et al., 2007)
Apos o alinhamento a comparacao entre os modelos e feita por meio de um sistema de
coordenadas polares. O autor conclui que e mais facil trabalhar com as informacoes no sistema
de coordenada polar. A tecnica de comparacao proposta por este autor visa compensar erros de
localizacao e distorcoes nao lineares.
Baseado no metodo de Jain, (WEI et al., 2006) tambem desenvolveram uma tecnica de
validacao com um sistema de coordenadas polares. As modificacoes foram realizadas com o
intuito de melhorar o desempenho da tecnica de alinhamento. Para o alinhamento e necessario
extrair informacoes como coordenadas x e y, orientacao local da crista, o tipo de minucia e o
grau de conexao direta com as outras minucias.
2.4.3 Estrutura em estrela
(FENG; CAO, 2009) definem uma estrutura em estrela como uma minucia analisada e suas
minucias vizinhas, dentro de um raio determinado. Os autores ressaltam a importancia de deli-
mitar a area de vizinhanca de um ponto, para isso propoem tracar uma circunferencia em torno
do ponto de interesse. O desafio passa entao a ser o de determinar um raio adequado, pois se
a circunferencia for muito abrangente podera haver distorcoes lineares, se for muito pequena
pode nao haver pontos vizinhos suficientes para gerar as conexoes. Na figura 2.9 e possıvel
analisar o ponto P conectado com os vizinhos Q, que se encontram dentro de um raio r.
2.4 Algoritmos de reconhecimento baseados em minucias 24
Figura 2.9: Estrutura estrelar (FENG; CAO, 2009)
As informacoes utilizadas pelo algoritmo sao as coordenadas x e y, e tambem a direcao da
minucia. Estas sao armazenadas de forma ordenada em uma lista para posterior comparacao.
Este sistema e capaz de realizar a identificacao mesmo que a imagem sofra rotacao ou desloca-
mento. Contudo, as falsas minucias impoe uma dificuldade na validacao.
Uma tecnica semelhante e apresentada por (TEDESCO; COUTO, 2004). Porem, ao inves
de trabalhar com estruturas locais e utilizado somente uma estrela. O ponto central e o nucleo,
como demonstrado na figura 2.10. Nos testes reportados pelos autores o mapeamento das
minucias foi prejudicado apos rotacao, o que causou dificuldades na comparacao. Apesar de
aparentemente tratar rotacao e deslocamento, esta tecnica e sensıvel a parcialidade e distorcoes
nao-lineares.
Figura 2.10: Modelo com estrela central (TEDESCO; COUTO, 2004)
(MAZETTI, 2006) propos uma tecnica baseada em Tedesco. Para calcular o ponto central
da estrela foi sugerido encontrar o centro da massa no plano cartesiano no qual estao dispostas
2.5 Armazenamento 25
as minucias. A informacao salva para validacao e o calculo da distancia euclidiana das minucias
ate o centro. A identificacao e feita atraves de deslocamento do vetor de distancias buscando
uma relacao com a base de dados, mas seu ponto fraco sao as falsas minucias e a parcialidade,
que dificultam o processo de reconhecimento.
Outros autores que desenvolveram validacao por meio de estrutura em estrela foram (REYES;
HAM; PEREIRA, 2007). Seu algoritmo utiliza a comparacao atraves da similaridade entre bor-
das e vertices adjacentes. Para formacao da malha eles aplicam a triangulacao de Delaunay.
2.4.4 Triangulacao
Uma proposta tambem utilizada para reconhecimento biometrico e a tecnica de triangulacao.
Esta tecnica e semelhante a estrutura em estrela, onde as minucias sao conectadas entre si for-
mando triangulos. De cada triangulo sao retiradas informacoes como as distancias entre os
pontos e os angulos de abertura entre essas conexoes. Uma justificativa para este processo e o
fato que algumas informacoes do triangulo sao constantes, independente de rotacao e translacao.
(FIORENTIN, 2006) expos um metodo de triangulacao entre todas as minucias encontra-
das, desde que tivessem uma distancia mınima, um angulo mınimo e um angulo maximo. A
comparacao ocorre entre todos os triangulos das imagens analisadas, prevendo uma margem de
tolerancia para compensar as distorcoes.
2.5 Armazenamento
Em sistemas de reconhecimento biometrico o acesso as informacoes armazenadas e crucial
para a eficacia do algoritmo.
Os dados modelados devem ser mantidos em sistemas que permitam um acesso rapido e
facil. Geralmente, aplicacoes com essa necessidade utilizam estruturas de bancos de dados para
o armazenamento das informacoes. Banco de dados sao colecoes de dados que se relacionam
de forma que crie um sentido, (WIKIPEDIA, 2012). Essas ferramentas de armazenamento sao
utilizadas atraves de Sistema Gerenciadores de Bancos de Dados (SGBD)
Um SGBD ja consolidado, e que sera utilizado, e o MySQL. O MySQL e um sistema
de banco de dados gratuito que prove velocidade, confiabilidade e escalabilidade. Utiliza a
linguagem Structured Query Language (SQL) para acesso as suas informacoes.
26
3 Desenvolvimento
Este trabalho implementa um sistema de captura, armazenamento e reconhecimento de
impressao digital. A modelagem utilizada e baseada em minucias e a identificacao e a extracao
ocorrera atraves de integracao com bibliotecas de codigo aberto. Uma das motivacoes deste
trabalho e a elaboracao de um algoritmo robusto contra as adversidades impostas pelos sistemas
de identificacao por impressao digital.
A tecnica desenvolvida e baseada em conexoes entre as minucias de forma que criem uma
rede. Cada tres pontos interligados formam a figura de um triangulo e cada triangulo mantem
sua forma original independentemente de sua posicao ou rotacao. Esta rede e analisada do ponto
de vista de cada no em relacao aos demais, e pode ser vista como varias estrelas. O numero de
conexoes de cada no pode ser fixo ou variavel se for usado a triangulacao de Delaunay. Assim,
conforme ilustrado na figura 3.1 a digital pode estar deslocada e/ou rotacionada que os angulos
entre as arestas e o seu comprimento permanecerao fixos.
Estes angulos e arestas, que caracterizam a impressao digital, sao armazenados em banco
de dados e facilitam a busca durante o processo de identificacao.
(a) Digital com triangulacao de Delaunay (b) Digital (rotacionada) com triangulacao de De-
launay
Figura 3.1: Digital original e rotacionada com minucias
3.1 Aquisicao da impressao digital 27
Ferramentas necessarias para desenvolvimento do projeto:
• Ubuntu Linux 32 bits - Sistema operacional para suportar as aplicacoes;
• Leitor Digital Personar 4000 - Leitor para captura de impressao digital;
• Biblioteca libfprint - Usada para capturar as impressoes digitais do leitor;
• Programa convert - Programa de manipulacao de imagens via linha de comando, faz parte
da suıte de ferramentas ImageMagick, usado para tratamento de imagens;
• Software NIST Biometric Image Software (NBIS) - Utilizado para extracao de minucias.
• MATLABr R2008a - Matrix Laboratory - E um ambiente de computacao numerica que
permite manipulacoes de matrizes, plotagem de funcoes e dados, implementacao de algo-
ritmos, criacao de interfaces de usuario e interface com os programas escritos em outras
linguagens. O trabalho sera desenvolvido sobre esta plataforma, integrando com os de-
mais aplicativos atraves das interfaces disponibilizadas pelo proprio MATLABr.
• MySQL Server Version 5.1 - Banco de dados relacional de codigo aberto que fornece
acesso multi-usuario. Esta aplicacao sera utilizada para armazenamentos das digitais,
para consulta.
3.1 Aquisicao da impressao digital
A aquisicao, das imagens das impressoes digitais, e realizada atraves de um leitor biometrico
Digital Personar 4000. Para acionar o leitor utiliza-se uma funcao da biblioteca libfprint. Foi
extraıda somente a funcao img capture da biblioteca, pois somente a interface com o leitor e
a aquisicao da imagem sao necessarios para o trabalho. O codigo fonte foi alterado para que
apenas realizasse o processo de captura da digital.
O leitor usado apresenta uma distorcao da imagem capturada e isto afeta a distancia entre
as minucias quando a digital e rotacionada. E importante fazer-se uma correcao para que o
algoritmo possa localizar as impressoes digitais em qualquer angulo de captura. A distorcao
e inserida devido a tecnologia de posicionamento do sensor Charge-Coupled Device (CCD)
e do prisma. Para o calculo da correcao da distorcao capturou-se a imagem de uma grade
quadrangular e mediu-se a posicao de pontos conhecidos. Estes pontos sao passados como
parametro para o programa convert do pacote imageMagick que manipula a imagem e corrige
3.2 Minucias 28
esta distorcao. Pode-se observar que na figura 3.2(a) a grade possui distorcoes, utilizando o
convert foi possıvel a correcao, conforme ilustrado na figura 3.2(b).
(a) Grade com distorcoes (b) Grade corrigida
Figura 3.2: Correcao da distorcao na imagem adquirida
3.2 Minucias
A obtencao das minucias e realizada atraves da utilizacao do programa mindtct que faz parte
do software NBIS. Conforme descrito na subsecao 2.3.2 este executavel disponibiliza em sua
saıda um arquivo formatado no padrao ANSI INCITS 378-2004 e cada linha representa uma
minucia e os campos estao separados pelo caracter “:” ficando num formato semelhante a este:
“MN : MX, MY : DIR : REL : TYP : FTYP : FN : NX1, NY1; RC1 : ...”.
Neste trabalho utiliza-se os campos: “MX, MY” que contem a informacao de localizacao,
“REL” a qualidade e “TYP” o tipo da minucia. A qualidade e calculada usando informacoes de
contraste, fluxo de linhas, curvatura e intensidade do pixel em relacao a vizinhanca. Os resulta-
dos podem variar de 1 a 99%. Um valor baixo de qualidade representa uma minucia detectada
numa regiao de baixa qualidade de imagem, enquanto um alto valor de qualidade representa
uma minucia detectada numa regiao de maior qualidade. Verificou-se que uma qualidade de
20% traz bons resultados na selecao das minucias, onde e possıvel descartar as terminacoes das
bordas e nao ter perdas significativas.
Apos o processamento, a representacao das minucias e disponibilizada em forma de co-
ordenadas de um plano bidimensional. Na figura 3.3 esta disposta uma digital adquirida pelo
3.3 Modelo 29
leitor Digital Personar e estao destacadas as posicoes identificadas pelo algoritmo.
Figura 3.3: Digital com minucias destacadas
3.3 Modelo
Para criar o modelo propoe-se usar uma rede de conexoes de minucias. Com o intuito de
comparar a performance com exclusao ou adicao de minucias, duas tecnicas diferentes serao
testadas. A primeira e a triangulacao de Delaunay que cria uma rede com numero variavel de
conexoes. A segunda tecnica que se propoe, parte do ponto de vista de como a rede poderia ser
implementada. Para facilitar o entendimento, denominar-se-a esta tecnica como conexao em
estrela.
Nessa proposta criou-se uma rede com numero fixo de conexoes, desenvolveu-se modelos
com redes de tres, quatro e cinco conexoes. Quando utilizada a estrela descartou-se alguns
pontos muito proximos do no de origem de forma a diminuir os erros por distorcoes. O limiar
de descarte e calculado a partir das distancias euclidianas e da margem de erro por distorcao. E
importante frisar que um no e a minucia de referencia e os pontos sao todas as outras.
A seguir se aborda as duas tecnicas para criar a rede de conexao. O fluxograma da figura
3.4 demonstra simplificadamente o algoritmo de processamento.
3.3 Modelo 30
Figura 3.4: Fluxograma de criacao do modelo
3.3.1 Modelo Delaunay
A triangulacao de Delaunay e uma tecnica que conecta cada no de forma que nao haja
cruzamento entre as arestas. O MATLABr fornece a funcao delaunay(X,Y) que recebe duas
matrizes, uma com as coordenadas do eixo X e outra com as do Y, e retorna uma lista com as
ligacoes que devem ser feitas entre cada no.
Num exemplo usando MATLABr criou-se duas matrizes, X=[3,7,10] e Y=[2,5,4] que re-
presentam as coordenadas de um plano, dispostas na figura 3.5(a). As variaveis sao processadas
com a funcao tri = delaunay(X,Y) e se tem como resposta tri = [2,1,3]. Ou seja, apenas o
triangulo disposto na figura 3.5(b) foi criado, e a variavel tri contem o ındice dos pontos esco-
3.3 Modelo 31
lhidos para serem os vertices do triangulo. Em outro exemplo mostrado na figura 3.5(c) usou-se
as matrizes X=[3,7,10,5] e Y=[2,5,4,2] e, apos o processamento, a variavel tri sera [1,4,2 ;
4,3,2]. Nesse caso, criou-se dois triangulos mostrados na figura 3.5(d).
(a) Modelo com tres pontos (b) Triangulacao entre tres pontos
(c) Modelo com quatro pontos (d) Triangulacao entre quatro pontos
Figura 3.5: Metodo Delaunay
Neste caso, a variavel tri foi usada para criar celulas onde ficam armazenados todos os
pontos de conexao. Usando os dados do segundo exemplo ve-se que o no 1 esta ligado com os
pontos 2 e 4; o no 2 com os pontos 1, 3 e 4; o no 3 com 2 e 4 e, finalmente, o no 4 com os
pontos 1, 2 e 3.
Esta celula que contem toda a rede de conexao dos pontos sera passada para a etapa de
ordenacao dos angulos da secao 3.3.3.
Quando se tem muitos pontos no plano, uma questao importante a ser observada e que o
numero de conexoes de cada no pode ser variavel. A figura 3.6(b) mostra uma rede de conexoes
completa de uma digital e a figura 3.6(a) ilustra um caso de um no conectado com apenas dois
pontos e outro com seis pontos.
3.3 Modelo 32
(a) Nos com duas e seis conexoes (b) Rede completa
Figura 3.6: Modelo conexoes Delaunay
3.3.2 Modelo estrela
O modelo estrela cria a rede de conexoes de forma mais simples, analisando apenas a
distancia de um ponto em relacao a todos os outros e escolhendo os mais proximos. As medi-
das de distancia dos pontos sao dadas em pixeis (px). Para que um ponto seja utilizado, uma
distancia mınima deve ser alcancada, de forma a absorver as variacoes inseridas pelo processo
de extracao de minucias e das adversidades. Considerou-se que durante a extracao de minucias
um ponto pode conter variacoes de ate ±2 px em sua posicao, e o efeito das adversidades pode
inserir distorcoes de ate ±5% em um ponto. Por exemplo, considerando uma imagem com
resolucao de 300x400 px onde a distancia maxima entre dois pontos podera ser de ate 500 px.
Neste caso, o ponto podera sofrer uma variacao absoluta de ±25 px.
Sendo assim, estimou-se que para um ponto a 500 px de distancia e com uma distorcao de
±5% uma variacao de ±25 px devera ser tolerada. Na figura 3.7 pode-se visualizar o ponto P1
e P2 como sendo a menor e maior distancia do ponto P.
Figura 3.7: Area de validacao dos pontos P1 e P2
Usando e equacao 3.1 calculou-se a distancia do ponto P em relacao a P1 sendo que o raio
e de 2 px.
3.3 Modelo 33
y1x1
=y2x2
(3.1)
Usando valores para y2 = 25, x2 = 500 e y1 = 2 obteve-se x1 = 40, que representa a distancia
mınima do ponto de referencia analisado.
Apos selecao dos pontos mais proximos uma celula e criada, semelhante a proposta em
3.3.1 Modelo Delaunay.
Demonstrar-se-a nos testes o impacto causado por redes com nos de tres, quatro e cinco co-
nexoes e como se comporta o reconhecimento considerando as adversidades. Nas figuras 3.8(b),
3.8(d) e 3.8(f) ve-se uma rede completa com nos de tres, quatro e cinco conexoes, respectiva-
mente. Estas figuras sao geradas a partir da sobreposicao de todos os nos. Ilustrativamente,
temos nas 3.8(a), 3.8(c) e 3.8(e) um exemplo de um no conectando tres, quatro e cinco pontos
e um cırculo que delimita um area de distancia mınima, ou seja, pontos dentro do circulo sao
descartados.
Deve-se lembrar que uma vez escolhido o numero de conexoes, esta configuracao nao pode
ser alterada, pois nao existe compatibilidade entre os processos de busca.
3.3 Modelo 34
(a) Destaque de um no com tres conexoes (b) Rede completa de tres conexoes
(c) Destaque de um no com quatro conexoes (d) Rede completa de quatro conexoes
(e) Destaque de um no com cinco conexoes (f) Rede completa de cinco conexoes
Figura 3.8: Modelo com conexoes em estrela
3.3.3 Ordenacao de Angulos
A ordenacao tem o objetivo de organizar os pontos encontrados de forma que sempre se
apresentem na mesma ordem. Eles nao precisam ter o mesmo numero de ordenacao e sim a
mesma sequencia. Isso garante que um no seja imune a rotacao da imagem.
3.3 Modelo 35
Faz-se-a ordenacao tracando uma linha horizontal infinita, tendo o ponto P como origem.
Entao, desenhou-se uma linha entre P e todos os outros pontos e calculou-se seus angulos
ordenando-os do menor para o maior. Para finalizar a ordenacao falta apenas calcular o angulo
relativo entre cada ponto vizinho, sendo que para isso basta fazer a subtracao do angulo maior
pelo menor. Como exemplo, tem-se na figura 3.9(a) o no 2 conectado com os pontos 1, 3 e 4 e
a figura 3.9(b) mostra como fica a ordenacao do no 2, chamado aqui de P.
(a) Ligacoes do Ponto 2 (b) Ordenacao
Figura 3.9: Metodo de ordenacao
3.3.4 Construcao do Modelo
O modelo final e representado por um conjunto de celulas que sao montadas com dados
oriundos da lista de conexao e da lista de vizinhos com seus respectivos angulos. Alem dessas
informacoes, os tipos das minucias que formam os triangulos sao utilizados para calcular o tipo
do triangulo. Podendo ter oito combinacoes que sao usadas para classifica-los.
A organizacao estrutural e feita de forma a facilitar a gravacao e recuperacao das informacoes
no banco de dados, e o numero total de celulas basicas que uma digital possui e o mesmo numero
do total de conexoes. Uma celula basica representa apenas um triangulo dos diversos que um
no possui e contem os dados a seguir:
• Numero do ponto P;
• Numero do ponto vizinho 1;
• Numero do ponto vizinho 2;
• Tipo do triangulo;
3.4 Armazenamento e Reconhecimento de Digitais 36
• Angulo do vertice do ponto P;
• Distancia do ponto P ate o vizinho 1;
• Distancia do ponto P ate o vizinho 2.
3.4 Armazenamento e Reconhecimento de Digitais
Neste momento resgatam-se algumas ideias sobre o sistema e as digitais do usuario. Um
dos objetivos do sistema proposto e identificar um usuario dentre varios cadastrados no sistema
de reconhecimento. Se for usado um simples armazenamento da imagem da impressao digital
pode-se ter um processo de busca lento. Isso se deve principalmente ao fato de que precisa-
se recuperar imagem por imagem e extrair suas informacoes para depois comparar com as do
usuario.
Uma maneira de tornar a busca mais rapida e pensando na natureza das informacoes que se
esta armazenando. Isto e, analisando que as pessoas possuem digitais, e estas contem minucias
que, por sua vez, podem ser relacionas geometricamente na forma de triangulos, conforme
detalhado no secao 3.3.
Partindo desse ponto de vista criou-se uma base de dados estruturada com tabelas de usuarios,
digitais, minucias, nos e triangulos, conforme figura 3.10.
Figura 3.10: Estrutura do Banco de Dados
3.4.1 Armazenamento
Na etapa de armazenamento, as informacoes a serem gravadas estao no modelo produzido
na etapa anterior. Considera-se que ja foi realizada uma verificacao de duplicidade da digital no
banco de dados.
3.4 Armazenamento e Reconhecimento de Digitais 37
Primeiramente insere-se um usuario e recupera-se o campo id usuario do banco de dados.
Essa informacao e usada para fazer o relacionamento com a digital. Um mesmo usuario pode
ter diversas digitais, mas por questao de simplificacao usou-se um usuario por digital.
O segundo passo e cadastrar a digital, aqui se inseriu o id usuario, o dedo, as informacoes
de quantos nos ou minucias existem na digital e a imagem capturada. Apos, recuperou-se o
id digital.
Na sequencia sao salvas no banco de dados as informacoes da minucia, sendo o id digital,
coordenadas X e Y, e tambem o tipo da minucia.
O quarto passo ja traz um nıvel de complexidade maior, pois precisou-se fazer uma lista
com todos os nos e cadastra-los um a um. Os campos id nos recuperados precisam ser alocados
em memoria numa tabela onde se relacionam com os numeros internos.
O ultimo passo utiliza esta tabela em memoria para substituir os numeros internos dos nos
pelos id nos do modelo e assim grava-los no banco de dados.
3.4.2 Reconhecimento
Para o procedimento de reconhecimento e necessario que a digital tenha o mesmo modelo
das digitais cadastradas, ou seja, modelo Delaunay ou estrela com distancia mınima igual.
Com o uso do modelo buscou-se resolver os problemas de rotacao e deslocamento, mas as
distorcoes, adicao e exclusao de pontos precisam ser relevadas no momento na busca.
Quando um no esta em analise e existe a perda de pelo menos um ponto, ate tres triangulos
podem ser perdidos, mas o ponto ainda pode ser identificado pelos triangulos de outros nos. Na
figura 3.11(a) vemos um exemplo de um modelo estrela de cinco conexoes e na figura 3.11(b)
o efeito da adicao de uma nova minucia.
3.4 Armazenamento e Reconhecimento de Digitais 38
(a) Estrela original (b) Estrela com ponto adicionado e perdido
Figura 3.11: Impacto da alteracao de um ponto
Outra questao a ser tratada e a variacao de posicionamento de pontos devido as distorcoes.
Nessas situacoes, uma busca por valores fixos sera totalmente nula. Entao uma faixa de valores
e gerada para fazer a busca no banco de dados. A area de busca pode ser definida como sendo
uma tolerancia da variacao de posicionamento de um ponto. Para definir a area de busca, um
valor deve ser setado entre 0 e 0,2, sendo 0 nenhuma variacao e 0,2 para 20%. Quanto mais
longe um ponto esta de outro, maior e a abrangencia da busca. Considerando uma distancia d e
uma variacao f, as distancias e angulos podem ser calculadas conforme equacoes 3.2, 3.3 e 3.4:
Dmin = d ∗ (1− f ) (3.2)
Dmax = d ∗ (1+ f ) (3.3)
Θ =±atan( f ) (3.4)
O Φ e o angulo gerado entre as arestas de P1 e P2. A variacao do angulo de busca e definida
entre os limites de Φmin e Φmax, conforme equacoes 3.5 e 3.6.
Φmin = Φ−Θ1−Θ2 (3.5)
Φmax = Φ+Θ1+Θ2 (3.6)
Conforme mostrado na figura 3.12, pode-se observar que, para um triangulo formado pelos
3.4 Armazenamento e Reconhecimento de Digitais 39
pontos P, P1 e P2, a busca computacional sera por arestas de tamanho Dmin1 ate Dmax1, Dmin2
ate Dmax2 e angulos de Φmin ate Φmax, alem do tipo do triangulos.
Figura 3.12: Variacao de angulo e arestas entre dois pontos
Durante os pre-testes, verificou-se que f variando de 0,05 a 0,1 apresenta os melhores re-
sultados e serao comparados no capıtulo 4. Na figura 3.13 e possıvel observar um exemplo de
minucias num plano e as respectivas areas de busca setadas em 0,05 e 0,1.
(a) Area de 5% (b) Area de busca de 10%
Figura 3.13: Area de busca
Mesmo com a faixa de tolerancia, e possıvel que nem todos os triangulos consigam ser
identificados. Outro fator importante a ser considerado no retorno da consulta e que triangulos
de outras digitais podem se encaixar na busca.
Sendo assim, desenvolveu-se uma validacao usando um metodo de reconhecimento por
pontuacao por correlacao de pontos. A figura 3.14 ilustra o fluxograma de analise para validacao
de uma digital.
3.4 Armazenamento e Reconhecimento de Digitais 40
Figura 3.14: Fluxograma de reconhecimento da digital
Apos processamento da imagem, extracao das caracterısticas e criacao do modelo, inicia-se
o processo de busca. Inicialmente e criado uma lista ordenando as minucias a serem procuradas
no banco de dados.
Para o modelo estrela, criou-se uma lista, denominada lista modelo baseada no conceito
que um triangulo mais centralizado podera estar sofrendo menos distorcoes caracterısticas da
coleta. A lista de nos do modelo da digital e usada para calcular a media das coordenadas X e Y.
A lista com todos os nos e gerada e ordenada pela proximidade com esta media. No modelo de
Delaunay a lista sera ordenada pelos nos com maiores numeros de conexao, visando um ponto
que tem mais chances de ser correlacionado.
O primeiro no da lista modelo e usado para fazer uma busca de seus triangulos associados
no banco de dados. A lista de retorno denominada lista de suspeitos e ordenada de forma a
mostrar primeiro os nos que tiveram maior numero de coincidencias. Nesse ponto, e realizada
uma consulta no banco de dados por todos os triangulos desse no suspeito.
Com os modelos completos das duas digitais, realiza-se uma validacao por correlacao de
pontos, que e explanada na secao 3.4.3. Apos a correlacao, e realizado um calculo de fator de
3.4 Armazenamento e Reconhecimento de Digitais 41
relevancia, descrito na 3.4.4 para enfim decidir se o suspeito e o usuario em questao. Caso atinja
uma valor mınimo, o usuario e reconhecido. Caso contrario, o algoritmo ira retornar e buscar
o proximo no da lista modelo e refazer o processo, ate encontrar o usuario ou caso finalizar a
lista.
3.4.3 Correlacao de pontos
A correlacao de pontos e baseada na comparacao dos triangulos do modelo armazenado
com o modelo adquirido atraves de uma imagem ou da captura direta do leitor de digitais. Cada
ponto da digital pode ser uma terminacao ou uma bifurcacao, e cada triangulo e composto de
tres pontos. Desta forma, tem-se oito tipos diferentes de combinacao. Para cada combinacao
arbitrou-se um numero, que e usado para classificar os triangulos.
Durante a comparacao dos triangulos, verifica-se o tipo, o comprimento de duas arestas e o
angulo entre estas arestas. A comparacao e feita comparando todos os triangulos de um modelo
com todos do outro modelo, de forma que se saiba quais triangulos possuem o mesmo tipo e
tamanho.
No processo de comparacao e comum aparecerem triangulos autenticos assim como triangulos
impostores. Opcionalmente, o codigo preve a eliminacao dos triangulos onde nao ha certeza de
autenticidade. O resultado da comparacao cria um indice de correlacao entre os triangulos de
um modelo em relacao ao outro.
Este ındice e usado para correlacionar os pontos envolvidos nos triangulos e criar uma lista.
A lista contem os pontos correlacionados e o numero de vezes que cada correlacao apareceu.
3.4.4 Fator de relevancia
No processo final de reconhecimento, um peso e dado para cada no reconhecido e uma
media e feita para formar uma nota final da digital. O fator de relevancia e usado para dar
uma importancia maior para os nos que contenham mais conexoes em relacao aos que tenham
menos. O que se quer dizer e que, se um no tem cinco conexoes e cinco foram confirmadas ele
e mais relevante que um no que tem tres conexoes e tres foram confirmadas. Tambem, que um
no que tem cinco conexoes e tres foram confirmadas e menos relavante que um no que tem tres
conexoes e as tres foram confirmadas.
O fator e calculado em duas etapas. Na primeira, a equacao 3.7 da mais relevancia para
quem atingiu ao menos a metade das conexoes, sendo A o numero de nos confirmados e B o
3.5 Software 42
numero de conexoes do no. Na segunda etapa, a equacao 3.8 da um peso maior para quem tem
mais conexoes. Com o objetivo de minimizar a influencia de nos impostores, valores de X que
forem menores que 1 serao zerados. Estas equacoes foram definidas simulando valores para A
e B variando de 1 a 10 e observando a figura 3.15.
X =
(AB∗2)2
(3.7)
Fator =
{X ∗1.2B se X ≥ 1
0 se X < 1(3.8)
Figura 3.15: Fator de relevancia
3.5 Software
Na interface com usuario chamada Interface Homem Maquina (IHM), apresentada na figura
3.16, e possıvel fazer a conexao com o banco de dados, cadastrar e consultar uma imagem. A
imagem pode ser adquirida de um arquivo ou capturada diretamente do leitor de digitais. Num
painel ao lado, a imagem e apresentada ao usuario e noutro painel um grafico de correlacao e
mostrado durante a consulta. Em outra caixa de texto, as mensagens do sistema sao mostradas.
3.5 Software 43
No painel “Banco Dados” encontram-se os botoes que permitem a conexao e desconexao
com o banco de dados. Apos conectado e possıvel executar uma consulta ou cadastrar uma nova
digital.
Figura 3.16: Software Interface homem maquina
Durante o desenvolvimento deste trabalho, percebeu-se a necessidade de se criar ferramen-
tas de estudo e depuracao de codigo e tambem de limiarizacao de parametros para execucao.
Estas ferramentas estao reportadas no apendice A.
44
4 Testes e resultados
Apresenta-se aqui como sao feitos os procedimentos de teste do algoritmo, assim como os
resultados obtidos. A interface de usuario sera testada indiretamente atraves da validacao dos
subsistemas de cadastro e reconhecimento.
4.1 Testes
Para realizar o teste do algoritmo de reconhecimento, foi necessaria a captura de impressoes
digitais. Estas digitais sao usadas para fazer os cadastros e reconhecimento. Duas interfaces
foram criadas para auxiliar neste processo. Com o intuito de povoar o banco de dados, alem das
digitais capturadas produziu-se digitais de forma artificial conforme explanado na secao 4.1.2.
Considerando as propostas no desenvolvimento, testou-se um total 160 configuracoes de busca
em dois cenarios diferentes. Os objetivos dos testes sao identificar os melhores valores limites
para a nota final da digital e qual configuracao apresenta os melhores resultados de acerto e
falso positivo. Os dois cenarios estao apresentados nas tabelas 4.1 e 4.2.
Tipo da digital Digitais Cadastro Consulta
Real 230√
Real 836√
Tabela 4.1: Cenario I
Tipo da digital Digitais Cadastro Consulta
Real 230√
Real 836√
Artificial 1000√
Tabela 4.2: Cenario II
Dentre as configuracoes, testou-se o modelo Delaunay e o modelo estrela com variacoes da
4.1 Testes 45
distancia mınima e numero de conexoes, conforme a tabela 4.3.
Configuracao Metodo No de conexoes Distancia mınima
1 Estrela 3 20
2 Estrela 3 40
3 Estrela 3 80
4 Estrela 4 20
5 Estrela 4 40
6 Estrela 4 80
7 Estrela 5 20
8 Estrela 5 40
9 Estrela 5 80
10 Delaunay Variavel Nao se aplica
Tabela 4.3: Configuracao do modelo
Para cada modelo apresentado, foram usadas variacoes na area de busca, remocao de triangulos
incertos e variacao do numero de pontos por consulta, conforme apresentado na tabela 4.4.
Variacao Area de busca% Remocao No de nos por consulta
1 5√
1
2 5√
2
3 5√
3
4 5√
5
5 5 1
6 5 2
7 5 3
8 5 5
9 8 1
10 8 2
11 8 3
12 8 5
13 10 1
14 10 2
15 10 3
16 10 5
Tabela 4.4: Variacoes do modelo selecionado
4.1 Testes 46
4.1.1 Interfaces de captura
Para agilizar e facilitar o processo de captura foram desenvolvidas duas interfaces:
• Coletor de digitais para consulta - Nesta interface, ilustrada na figura 4.1, sao capturadas
30 imagens, sendo tres de cada dedo. Uma barra de progresso auxilia o usuario. A
interface e chamada passando o nome da pessoa como parametro. Uma pasta com este
nome e criada e as imagens sao salvas nesta pasta, porem se a captura estiver com menos
de 12 minucias uma nova captura e solicitada. Esta interface nao realiza nenhum outro
tipo controle sobre a imagem adquirida, dispondo assim de distorcoes casuais de coleta.
Figura 4.1: Interface de captura de digitais para consulta
• Coletor de digitais para cadastro - A interface de cadastro mostra a imagem capturada de
forma ampliada para que uma analise visual possa ser feita. Como pode ser observado na
imagem 4.2, apos cada captura, uma caixa de confirmacao e apresentada e uma barra de
progresso auxilia o usuario. Similar ao coletor de digitais para consulta, um nome deve
ser passado como parametro e uma pasta com as imagens capturadas sera salva.
4.1 Testes 47
Figura 4.2: Interface de captura de digitais para cadastro
4.1.2 Digitais artificiais
Para que se possa testar cenarios com muitos usuarios, e interessante que exista uma forma
de simular impressoes digitais. Em muitos casos, uma digital artificial pode ser usada.
Para a criacao de digitais artificiais, estudou-se o comportamento do numero de minucias
e a formacao dos angulos em digitais reais. O comportamento do numero de minucias segue
uma distribuicao gaussiana com uma media de 30 minucias. Para as posicoes no eixo X e Y
foram usadas distribuicoes lineares com valores variando de acordo com o tamanho da imagem
485x498. Os tipos de minucias foram distribuidas linearmente com valores de 0 ou 1. Na
figura 4.3 e possıvel observar a distribuicao do numero de minucias e, nas imagens 4.4 e 4.5, a
distribuicao dos angulos e arestas em digitais reais e artificiais, respectivamente.
4.1 Testes 48
Figura 4.3: Histograma com o numero de minucias
Figura 4.4: Histograma de angulos
4.2 Resultados 49
Figura 4.5: Histograma de arestas
4.2 Resultados
Conforme descrito na secao 4.1 criou-se 10 opcoes de configuracao de modelo, onde cada
uma foi testada com 16 variacoes de busca, totalizando 160 testes em cada cenario. Os resulta-
dos das diversas configuracoes e variacoes de busca encontram-se nos apendices B e C. Durante
os testes procurou-se simular um ambiente real, com centenas de usuarios. Entao, o cenario II
e utilizado para parametrizar o limiar de decisao que e usado no cenario I e I e verificou-
se que os resultados de acertos e falsos acertos permaneram estaveis em ambos os cenarios.
Analisou-se os resultados de FAR e FRR e verificou-se que os melhores ındices referem-se aos
da configuracao 7, com as variacoes de busca 9, 11 e 12 e estao destacados nas tabelas 4.5 e 4.6.
Este dados foram extraıdos dos apendices B e C respectivamente.
Configuracao NA 1 NFA 2 FRR% FAR%
7.11 179 4 72.71 0.48
7.12 175 4 73.32 0.48
7.9 170 4 74.09 0.48
Tabela 4.5: Melhores ındices, do cenario I, entre modelos propostos
1Numero de acertos2Numero de falsos acertos
4.2 Resultados 50
Configuracao NA 1 NFA 2 FRR% FAR%
7.11 170 4 74.09 0.48
7.9 170 4 74.09 0.48
7.12 158 3 75.91 0.36
Tabela 4.6: Melhores ındices, do cenario II, entre modelos propostos
Apresenta-se na figura 4.6 um grafico de dispersao de usuarios para a configuracao 7.11;
destacando o limiar de reconhecimento e na barra lateral o numero de digitais em cada regiao.
Na figura 4.7 pode-se observar um grafico da distribuicao de usuarios pela pontuacao alcancada.
Figura 4.6: Dispersao de usuarios na configuracao 7 e variacao de busca 11, no cenario II
1Numero de acertos2Numero de falsos acertos
4.2 Resultados 51
Figura 4.7: Distribuicao de usuarios na configuracao 7 e variacao de busca 11, no cenario II
4.2.1 Analise
Mediante aos resultados apresentados na secao 4.1, verifica-se que apesar de baixos ındices
False Acceptance Rate (FAR) os altos ındices de False Reject Rate (FRR) comprometem a usa-
bilidade do modelo destacado. Contudo, com uma analise mais aprofundada sobre os dados
dispostos nos apendices B e C, verificou-se uma tendencia de decrescimo do FRR, com o au-
mento de conexoes do modelo, conforme demonstrado nas figuras 4.6, 4.8 e 4.9.
4.2 Resultados 52
Figura 4.8: Pontuacao por usuario no modelo estrela de 3 conexoes com distancia de 20 pixels,com consulta por 3 nos e variacao de 8%, no cenario II
Figura 4.9: Pontuacao por usuario no modelo estrela de 4 conexoes com distancia de 20 pixels,com consulta por 3 nos e variacao de 8%, no cenario II
4.2 Resultados 53
Nas tabelas apresentadas nos apendices para as configuracoes 7.X verificou-se que alguns
usuarios nao foram reconhecidos em todas as variacoes de busca. Em processo de depuracao
percebeu-se que, as vezes, dependendo do numero de nos por consulta, os resultados podem
nao evidenciar a digital alvo da busca. Durante o processo de busca criterios de desempate
sao utilizados, e o algoritmo pode descartar a digital alvo da lista de suspeitos, portanto novas
variacoes de numero de nos por consultas podem ser testadas.
4.2.2 Teste adicionais
Com base nas informacoes dispostas na subsecao 4.2.1 realizaram-se novos testes com as
melhorias indicadas. Entao, criou-se dois novos modelos. Estrela com seis e sete conexoes,
com distancia mınima de 20 pixels e utilizando novamente os dois cenarios. Nos primeiros
testes com variacao de 5%, esses modelos ja apresentaram melhoria nos resultados.
Realizou-se tambem um novo teste, para o modelo estrela de cinco conexoes, com distancia
mınima de 20 pixels. Nesse teste utilizou-se duas novas configuracoes. Utilizando todos os
nos na consulta no banco de dados, com variacao de 8% no cenario II. E tambem usou-se
o procedimento de remocao de pontos para a variacao de 8%. Mediante os resultados dos
novos modelos de conexao em estrela, decidiu-se testa-los tambem nestas configuracoes. Os
resultados estao apresentados na tabela 4.8.
Configuracao Metodo No de co-
nexoes
Distancia
mınima
Area de
busca %
No de nos por
consulta
Remocao
A Estrela 5 20 8 maximo√
B Estrela 6 20 8 maximo√
C Estrela 7 20 8 maximo√
Tabela 4.7: Configuracao do modelo dos testes extras
Configuracao NA 1 NFA 2 FRR% FAR%
B 298 4 54.57 0.48
A 274 4 58.23 0.48
C 266 2 59.45 0.24
Tabela 4.8: Resultados finais
1Numero de acertos2Numero de falsos acertos
4.2 Resultados 54
Pode-se observar que os ındices de FRR sao bem inferiores ao demonstrados na tabela
4.6. O modelo que apresenta melhores resultados e o modelo de seis conexoes, com distancia
de 20% e utilizando a remocao dos pontos incertos. Nas figuras 4.10 e 4.11, verifica-se as
distribuicoes para o modelo com melhores resultados.
Figura 4.10: Pontuacao por usuario no modelo estrela de 6 conexoes com distancia de 20pixels, com consulta por todos os nos e variacao de 8%, no cenario II
4.3 Conclusoes dos resultados 55
Figura 4.11: Distribuicao de pontuacao no modelo estrela de 6 conexoes com distancia de 20pixels, com consulta por todos os nos e variacao de 8%, no cenario II
4.3 Conclusoes dos resultados
Analisando-se os resultados apresentados nos testes, conclui-se que o modelo de conexao
em estrela e mais eficaz do que o modelo Delaunay. Este modelo apresentou uma tendencia de
melhoria quando se aumenta o numero de conexoes do no. Contudo, mediante os resultados dos
ultimos testes, visualiza-se uma reducao de desempenho no modelo com sete conexoes. Neste
caso pode-se concluir que existe uma saturacao ou decrescimo a partir deste ponto.
Os resultados mostram tambem que, ha um aumento de triangulos impostores quando a
area de busca aumenta, e a margem de busca que melhor apresentou resultados foi a variacao
de 8%. Em relacao a distancia mınima do no conclui-se que a melhor delimitacao foi a de 20
pixels.
Mediante as consideracoes, conclui-se que, o algoritmo que apresenta os melhores resulta-
dos de reconhecimento e modelo estrela com seis conexoes, distancia mınima de 20 pixels, area
de busca de 8%, numero de nos por consulta no maximo e usando otimizacao de remocao de
triangulos incertos.
56
5 Conclusoes
Este trabalho mostrou o desenvolvimento de um algoritmo de identificacao de impressoes
digitais e um aplicativo de cadastro e consulta. O foco principal foi a correlacao de minucias
atraves de triangulos de forma a definir o melhor limiar de operacao.
O capıtulo 2 apresenta alguns conceitos sobre o que sao as minucias e algumas tecnicas utli-
zadas para reconhecimento de uma impressao digital, destacando pros e contras destas tecnicas.
O capıtulo 3 descreve sobre o processo de aquisicao de impressao digital atraves de um
leitor Digital Personar 4000 e a necessidade de aplicar uma correcao de distorcao para as-
sim permitir que os usuarios utilizem o sistema com qualquer angulo de captura. Alem disso,
apresentou-se uma tecnica de triangulacao de minucias imune a problemas de rotacao durante
o processo de captura da digital. O modelo de armazenamento em banco de dados e feito por
meio das informacoes de angulos e arestas dos triangulos. Comparou-se duas formas diferen-
tes para criacao da rede de conexoes de minucias, sendo elas, a triangulacao de Delaunay e
triangulacao de pontos mais proximos (estrutura em estrela). A correlacao entre os triangulos
das digitais e feito atraves de uma matriz que compara todos os triangulos de uma digital contra
todos de outra e uma nota e calculada usando um fator de correlacao.
No capıtulo 4 tem-se os procedimentos aplicados para testar o algoritmo e a criacao de
digitais artificias para povoar o banco de dados. Aproximadamente 1000 impressoes digitais
reais foram adquiridas para cadastro e consulta.
Os resultados dos testes mostram que a estrutura em estrela possui melhor resultado sobre a
triangulacao de Delaunay. A configuracao que apresentou o melhor resultado foi a estrela de seis
conexoes com uma distancia mınima de 20 pixels, area de busca de 8% da distancia e utilizando
uma otimizacao de remocao de triangulos incertos. Observou-se tambem que o aumento do
numero de conexoes na estrela melhora os resultados, porem a partir de seis conexoes o ganho
ja nao e expressivo; e quando usamos uma area de busca muito pequena poucas minucias sao
localizadas e uma area maior causa um aumento do numero de triangulos incertos, fazendo
com que nao se possa distinguir uma digital com clareza. Nota-se que o sistema desenvolvido
5 Conclusoes 57
depende de um bom algoritmo de extracao de minucias, pois so assim e possıvel localizar as
minucias com certeza e precisao. O mindtct foi a escolha para o trabalho, por ser de codigo
aberto e apresentar bons resultados.
Como trabalhos futuros, sugere-se uma otimizacao do sistema de indexacao do banco de
dados visando uma melhor performance no tempo de resposta e uma melhora da interface de
usuario buscando aprimorar o processo de gravacao para garantir imagens com boa qualidade
de captura.
58
APENDICE A -- Pre-testes
Para que fosse possıvel uma melhor analise e validacao da codificacao desenvolvida, criou-
se ferramentas de depuracao. Estas tambem facilitaram a limiarizacao de parametros para o
algoritmo.
A.1 Ferramenta de correlacao de triangulos
Interface usada para depuracao do codigo, de uma forma que se possa fazer insersao,
movimentacao e exclusao de pontos e criar rotacao em torno do seu proprio eixo. Conforme
ilustrado na figura A.1, e possıvel observar nos graficos inferiores, a falta do triangulo formado
pelos pontos 2, 4 e 5. Existe tambem mais uma barra para selecionar a taxa de variacao percen-
tual da busca e um botao para visualizacao da margem de busca na imagem.
A.2 Ferramenta de correlacao de pontos 59
Figura A.1: Ferramenta de correlacao de triangulos
A.2 Ferramenta de correlacao de pontos
Esta interface e similar a correlacao de triangulos, porem, ela mostra o grafico da intensi-
dade de correlacao de pontos. O grafico, demonstrado na figura A.2, indica quantas vezes um
ponto foi correlacionado a outro. No outro painel e possıvel observar a area de busca de cada
ponto.
A.3 Ferramenta de comparacao de imagens 60
Figura A.2: Ferramenta de correlacao de pontos
Comparando os resultados apresentados desta interface com a de correlacao de triangulos
foi possıvel verificar que a correlacao de pontos tende a ter maior acertabilidade. Ou seja, a
correlacao de triangulos apresenta um maior numero de triangulos impostores do que a correlacao
de pontos apresenta de pontos. Devido a essa informacao, a correlacao de pontos foi aplicadas
nos testes.
A.3 Ferramenta de comparacao de imagens
Na interface, ilustrada na figura A.3, duas imagens devem ser carregadas de arquivo ou
capturadas com o leitor de digitais. As minucias sao apresentadas sobrepostas as imagens e
acessando a caixa de controle podemos inserir, mover ou excluir minucias. Tambem e possıvel
selecionar um ponto em cada imagem e sobrepo-las centralizando sobre o ponto selecionado.
Entao, na imagem sobreposta, o ponto selecionado e identificado e pode-se visualizar os pontos
de conexao e suas respectivas areas de busca.
A.3 Ferramenta de comparacao de imagens 61
Figura A.3: Ferramenta de comparacao de imagens
Esta interface foi criada para que se pudesse verificar o impacto do aumento da variacao do
percentual de busca. Com ela e tambem com o correlacionador de pontos foi possıvel verifi-
car que, com percentual muito alto, um numero muito grande de pontos falsos comecam a se
correlacionar.
62
APENDICE B -- Tabela resultados cenario I
Visualiza-se na tabela abaixo os resultados obtidos nos testes realizados no cenario I.
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
1.1 3.62 0.86 11.98 7.01 6.56 43 0 93.45 0
1.2 3.43 0.72 13.49 8.69 6.87 46 0 92.99 0
1.3 3.36 0.63 13.13 7.72 6.19 50 0 92.38 0
1.4 3.66 1.14 12.71 8.9 8.19 44 0 93.29 0
1.5 3.61 0.83 12.48 7.01 6.56 45 0 93.14 0
1.6 3.57 0.85 13.94 8.63 6.91 46 0 92.99 0
1.7 3.49 0.77 13.6 7.8 6.37 53 0 91.92 0
1.8 3.6 1.07 13.24 9.21 7.63 45 0 93.14 0
1.9 3.81 1.3 15.19 8.5 8.76 79 0 87.96 0
1.10 3.84 1.32 15.48 9.17 8.72 81 0 87.65 0
1.11 3.9 1.42 14.82 8.44 9.2 96 1 85.37 0.12
1.12 3.86 1.42 15.81 9.8 9.16 94 2 85.67 0.24
1.13 4.4 1.96 15.3 9.2 11.05 85 6 87.04 0.72
1.14 4.49 1.99 15.55 10.33 11.53 86 4 86.89 0.48
1.15 4.56 2.05 14.91 9.08 11.81 94 5 85.67 0.6
1.16 4.49 2.03 16 9.53 11.35 106 7 83.84 0.84
2.1 3.36 0.67 10.86 6.19 7.03 34 0 94.82 0
2.2 3.51 0.98 10.67 6.25 7.55 35 0 94.66 0
2.3 3.35 0.74 11.36 6.85 6.18 46 1 92.99 0.12
2.4 3.34 0.78 10.95 6.63 6.01 59 2 91.01 0.24
2.5 3.65 1.44 11.42 6.19 8.55 32 2 95.12 0.24
continua na proxima pagina
Apendice B -- Tabela resultados cenario I 63
Tabela B.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
2.6 3.69 1.42 11.29 6.54 8.55 33 2 94.97 0.24
2.7 3.63 1.36 11.91 6.98 8.01 42 2 93.6 0.24
2.8 3.52 1.24 11.43 6.5 7.3 52 2 92.07 0.24
2.9 4.32 1.85 11.76 7.31 10.99 53 6 91.92 0.72
2.10 4.44 1.9 11.38 7.21 11.84 56 3 91.46 0.36
2.11 4.47 1.88 11.74 6.93 10.97 72 7 89.02 0.84
2.12 4.49 1.91 12.3 6.99 10.8 86 7 86.89 0.84
2.13 5.31 2.28 11.38 7.2 13.74 54 8 91.77 0.96
2.14 5.51 2.43 11.06 7.05 14.57 51 6 92.23 0.72
2.15 5.44 2.26 11.53 7.07 12.83 72 8 89.02 0.96
2.16 5.1 1.95 12.15 7.19 12.25 86 4 86.89 0.48
3.1 3.51 1.15 7.53 4.37 7.3 29 4 95.58 0.48
3.2 3.56 1.17 7.68 4.58 7.17 36 7 94.51 0.84
3.3 3.56 1.2 7.75 4.44 7.17 42 8 93.6 0.96
3.4 3.56 1.21 7.83 4.28 7.45 42 6 93.6 0.72
3.5 4.1 1.58 8.56 5.21 9.66 28 6 95.73 0.72
3.6 4.17 1.54 8.77 5.46 9.19 33 6 94.97 0.72
3.7 4.23 1.73 8.88 5.63 9.84 35 9 94.66 1.08
3.8 4.22 1.73 8.94 5.39 9.2 41 11 93.75 1.32
3.9 6.5 2.34 7.95 5.3 15.08 18 10 97.26 1.2
3.10 6.22 2.22 8.1 5.46 13.65 26 9 96.04 1.08
3.11 5.87 2.08 9 5.61 12.2 40 14 93.9 1.67
3.12 5.44 1.93 9.16 5.71 12.31 31 7 95.27 0.84
3.13 7.56 2.78 7.74 4.81 16.03 15 11 97.71 1.32
3.14 6.06 2.1 8.46 5.66 15.07 9 5 98.63 0.6
3.15 6.54 2.31 8.62 5.3 13.93 24 10 96.34 1.2
3.16 6.05 2.27 8.87 5.57 12.77 21 11 96.8 1.32
4.1 2.26 0.56 9.71 6.56 5.87 76 0 88.41 0
4.2 2.53 1.05 10.21 6.91 6.21 75 1 88.57 0.12
4.3 2.39 0.89 10.23 6.81 5.48 86 1 86.89 0.12
continua na proxima pagina
Apendice B -- Tabela resultados cenario I 64
Tabela B.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
4.4 2.35 0.86 10.46 6.94 5.82 83 1 87.35 0.12
4.5 2.31 0.59 9.9 6.68 5.85 77 0 88.26 0
4.6 2.52 0.99 10.45 7.09 6.25 74 1 88.72 0.12
4.7 2.38 0.84 10.45 6.96 5.32 87 1 86.74 0.12
4.8 2.36 0.83 10.75 7.05 4.86 93 2 85.82 0.24
4.9 2.79 1.22 11.67 7.41 7.22 136 4 79.27 0.48
4.10 2.79 1.21 11.99 7.81 7.07 132 10 79.88 1.2
4.11 2.78 1.17 11.75 7.74 6.81 147 8 77.59 0.96
4.12 2.88 1.23 11.68 7.75 6.8 152 9 76.83 1.08
4.13 3.31 1.51 11.87 7.78 8.87 138 5 78.96 0.6
4.14 3.42 1.59 12.15 8.14 8.9 137 7 79.12 0.84
4.15 3.45 1.48 11.58 8.12 8.33 149 12 77.29 1.44
4.16 3.32 1.44 12.22 8.15 7.27 161 16 75.46 1.91
5.1 2.22 0.41 8.44 5.26 4.87 82 0 87.5 0
5.2 2.26 0.55 8.22 5.33 4.95 93 0 85.82 0
5.3 2.23 0.48 8.92 5.7 4.65 102 2 84.45 0.24
5.4 2.22 0.51 9.19 5.67 4.74 108 1 83.54 0.12
5.5 2.4 0.71 8.85 5.4 5.1 80 2 87.8 0.24
5.6 2.41 0.72 8.62 5.57 5.16 92 1 85.98 0.12
5.7 2.37 0.68 9.2 5.95 4.92 101 3 84.6 0.36
5.8 2.36 0.7 9.53 5.86 5.1 106 2 83.84 0.24
5.9 3.22 1.31 9.99 6.67 8.11 122 5 81.4 0.6
5.10 3.28 1.34 10.14 6.71 8.09 129 6 80.34 0.72
5.11 3.25 1.34 10.35 6.57 7.62 134 6 79.57 0.72
5.12 3.12 1.23 10.47 6.88 6.66 143 11 78.2 1.32
5.13 4.17 1.61 9.61 6.57 10.04 115 7 82.47 0.84
5.14 4.07 1.74 10.06 6.5 9.51 121 11 81.55 1.32
5.15 3.94 1.69 10.16 6.69 7.69 131 24 80.03 2.87
5.16 3.42 1.56 10.97 7.16 7.26 107 17 83.69 2.03
6.1 2.38 0.73 6.52 4.03 4.7 94 5 85.67 0.6
continua na proxima pagina
Apendice B -- Tabela resultados cenario I 65
Tabela B.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
6.2 2.42 0.76 6.14 4.08 4.73 91 8 86.13 0.96
6.3 2.4 0.77 6.3 4.1 4.77 92 9 85.98 1.08
6.4 2.34 0.67 6.04 4.12 4.09 97 24 85.21 2.87
6.5 3.06 1.59 7.65 4.93 7.81 65 15 90.09 1.79
6.6 3.12 1.6 7.18 4.95 7.69 70 15 89.33 1.79
6.7 3.17 1.78 7.29 5.05 8.41 57 7 91.31 0.84
6.8 3.01 1.37 6.99 4.99 6.72 68 14 89.63 1.67
6.9 5.1 2.03 6.64 4.4 11.07 39 22 94.05 2.63
6.10 4.62 2.18 7.2 4.81 9.23 48 22 92.68 2.63
6.11 4.15 1.83 7.17 4.55 8.7 42 22 93.6 2.63
6.12 3.83 1.56 8.03 5.36 8.43 45 11 93.14 1.32
6.13 5.68 2.15 6.61 4.3 10.87 37 28 94.36 3.35
6.14 4.25 1.81 7.59 5.42 10.93 10 10 98.48 1.2
6.15 4.93 1.98 6.98 4.04 10.4 24 19 96.34 2.27
6.16 4.58 1.61 7.26 4.65 8.87 32 23 95.12 2.75
7.1 3.73 0.41 11.65 7.37 5.23 103 0 84.3 0
7.2 3.65 0.24 11.48 7.49 4.99 114 0 82.62 0
7.3 3.63 0.2 11.39 7.29 4.7 125 0 80.95 0
7.4 3.69 0.31 11.29 6.98 6.7 105 0 83.99 0
7.5 3.82 0.5 11.94 7.36 5.77 101 0 84.6 0
7.6 3.67 0.27 11.67 7.62 5.47 111 0 83.08 0
7.7 3.82 0.86 11.66 7.48 6.18 112 1 82.93 0.12
7.8 3.96 1 11.48 7.12 7.15 103 1 84.3 0.12
7.9 4.38 1.38 15.17 8.85 8.58 170 4 74.09 0.48
7.10 4.53 1.86 14.63 8.43 9.81 160 5 75.61 0.6
7.11 4.41 1.51 14.78 8.75 8.72 179 4 72.71 0.48
7.12 4.37 1.49 14.38 8.82 8.75 175 4 73.32 0.48
7.13 5.19 2.02 15.25 9.4 11.57 163 7 75.15 0.84
7.14 5.25 2.39 15.57 9.07 10.96 173 11 73.63 1.32
7.15 4.89 1.75 15.87 9.11 9.65 194 20 70.43 2.39
continua na proxima pagina
Apendice B -- Tabela resultados cenario I 66
Tabela B.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
7.16 4.62 1.58 15.63 9.33 8.75 182 19 72.26 2.27
8.1 3.72 0.37 11.42 6.57 4.7 126 1 80.79 0.12
8.2 3.64 0.23 11.3 6.6 4.42 135 2 79.42 0.24
8.3 3.69 0.3 11.12 6.54 5.12 132 0 79.88 0
8.4 3.66 0.26 11.07 6.31 6.8 122 0 81.4 0
8.5 3.9 0.74 11.88 6.82 6.62 116 0 82.32 0
8.6 3.97 0.91 11.74 6.92 7.35 114 1 82.62 0.12
8.7 3.9 0.73 11.66 6.88 7.2 117 0 82.16 0
8.8 3.88 0.84 11.56 6.72 7.65 120 1 81.71 0.12
8.9 5.17 1.95 12.95 7.8 10.87 143 9 78.2 1.08
8.10 5.19 2.1 13.35 7.82 10.86 154 12 76.52 1.44
8.11 4.88 1.8 13.62 7.84 9.87 158 21 75.91 2.51
8.12 4.58 1.65 14.09 7.76 9.79 147 16 77.59 1.91
8.13 6.9 2.85 13.22 7.9 15.07 110 11 83.23 1.32
8.14 5.99 2.25 14.18 8.07 12.28 108 10 83.54 1.2
8.15 5.59 1.93 14.86 7.99 11.28 131 6 80.03 0.72
8.16 5.48 2.16 15.68 8.15 11.97 111 12 83.08 1.44
9.1 3.85 0.78 8.9 4.86 6.49 119 2 81.86 0.24
9.2 3.8 0.72 9.16 4.97 6.02 133 15 79.73 1.79
9.3 3.83 0.82 9.17 5.01 6.56 108 4 83.54 0.48
9.4 3.78 0.73 9.53 5.2 6.06 100 10 84.76 1.2
9.5 5.2 2.22 10.78 6.07 11.96 65 9 90.09 1.08
9.6 5.3 2.28 10.8 6.18 11.25 79 9 87.96 1.08
9.7 5.06 2.07 10.71 6.09 10.38 80 12 87.8 1.44
9.8 4.73 1.88 11.15 6.51 10.39 68 7 89.63 0.84
9.9 9.2 5.54 10.39 6.29 23.7 16 9 97.56 1.08
9.10 8.07 5.3 11.21 6.74 23.13 15 8 97.71 0.96
9.11 7.53 5.31 11.43 6.85 17.28 33 13 94.97 1.56
9.12 7.03 3.14 11.86 7.27 15.67 33 11 94.97 1.32
9.13 10.53 5.12 10.77 6.23 24.7 14 12 97.87 1.44
continua na proxima pagina
Apendice B -- Tabela resultados cenario I 67
Tabela B.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
9.14 7.01 2.59 12.74 7.79 23.95 3 0 99.54 0
9.15 8.77 3.65 12.07 6.75 20.06 18 9 97.26 1.08
9.16 8.18 3.37 11.88 6.73 18.48 18 15 97.26 1.79
10.1 4 1.74 12.51 7.29 9.76 88 2 86.59 0.24
10.2 4.07 1.65 12.58 7.32 10.04 87 2 86.74 0.24
10.3 3.85 1.51 12.73 7.24 9.78 99 2 84.91 0.24
10.4 3.91 1.37 12.68 6.96 9.61 105 2 83.99 0.24
10.5 4.11 1.74 12.66 7.24 9.94 93 2 85.82 0.24
10.6 4.18 1.66 12.7 7.29 10.1 93 2 85.82 0.24
10.7 3.85 1.47 12.89 7.2 9.67 105 3 83.99 0.36
10.8 3.96 1.38 12.81 6.91 9.49 111 2 83.08 0.24
10.9 4.89 1.74 15.59 8.85 11.78 153 3 76.68 0.36
10.10 4.94 1.72 15.25 8.9 11.56 150 4 77.13 0.48
10.11 4.89 1.62 15.36 8.82 11.3 160 3 75.61 0.36
10.12 4.75 1.57 15.76 8.8 11.24 158 4 75.91 0.48
10.13 5.78 1.81 16.1 9.15 13.26 165 2 74.85 0.24
10.14 5.68 1.74 15.93 9.33 13.09 157 2 76.07 0.24
10.15 5.59 1.78 16.28 9.36 12.18 168 6 74.39 0.72
10.16 5.18 1.52 16.71 9.27 11.58 167 3 74.54 0.36
Tabela B.1: Resultados do cenario I
1Configuracao . Variacao2Desvio padrao3Numero de acertos4Numero de falsos acertos
68
APENDICE C -- Tabela resultados cenario II
Visualiza-se na tabela abaixo os resultados obtidos nos testes realizados no cenario II.
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
1.1 3.61 0.98 11.98 7.01 6.56 43 1 93.45 0.12
1.2 3.65 1.08 13.49 8.69 6.87 46 2 92.99 0.24
1.3 3.52 0.89 13.13 7.72 6.19 50 1 92.38 0.12
1.4 3.77 1.47 12.71 8.9 8.19 44 1 93.29 0.12
1.5 3.63 0.98 12.48 7.01 6.56 45 1 93.14 0.12
1.6 3.67 1.08 13.94 8.63 6.91 46 2 92.99 0.24
1.7 3.58 0.93 13.6 7.8 6.37 53 1 91.92 0.12
1.8 3.64 1.33 13.24 9.21 7.63 45 1 93.14 0.12
1.9 4.04 1.57 15.19 8.5 8.76 79 4 87.96 0.48
1.10 4.04 1.56 15.43 9.21 8.72 80 5 87.8 0.6
1.11 4.16 1.68 14.82 8.44 9.2 96 6 85.37 0.72
1.12 4.08 1.69 15.81 9.8 9.16 94 9 85.67 1.08
1.13 4.71 2.11 15.46 9.19 11.05 85 11 87.04 1.32
1.14 4.87 2.22 15.55 10.33 11.53 86 7 86.89 0.84
1.15 4.98 2.28 14.91 9.08 11.81 94 8 85.67 0.96
1.16 4.87 2.16 16.03 9.52 11.35 105 10 83.99 1.2
2.1 3.58 1.15 10.86 6.19 7.03 34 1 94.82 0.12
2.2 3.7 1.28 10.66 6.26 7.55 35 1 94.66 0.12
2.3 3.5 0.89 11.34 6.86 6.18 46 3 92.99 0.36
2.4 3.45 0.85 10.95 6.63 6.01 59 3 91.01 0.36
2.5 3.83 1.57 11.42 6.19 8.55 32 4 95.12 0.48
continua na proxima pagina
Apendice C -- Tabela resultados cenario II 69
Tabela C.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
2.6 3.85 1.57 11.29 6.54 8.55 33 4 94.97 0.48
2.7 3.76 1.42 11.91 6.98 8.01 42 3 93.6 0.36
2.8 3.6 1.24 11.43 6.5 7.3 52 4 92.07 0.48
2.9 4.62 2.12 11.76 7.31 10.99 53 13 91.92 1.56
2.10 4.8 2.35 11.39 7.25 11.84 55 9 91.62 1.08
2.11 4.68 2.1 11.79 6.92 10.97 72 14 89.02 1.67
2.12 4.65 2.05 12.42 6.99 10.8 84 11 87.2 1.32
2.13 5.96 2.59 11.38 7.2 13.74 54 12 91.77 1.44
2.14 6.15 2.81 11.22 7.09 14.57 51 12 92.23 1.44
2.15 5.79 2.35 12.12 7.07 12.83 72 10 89.02 1.2
2.16 5.28 2.32 12.97 7.17 12.25 82 11 87.5 1.32
3.1 3.61 1.23 7.49 4.36 7.3 29 7 95.58 0.84
3.2 3.64 1.18 7.63 4.6 7.17 35 8 94.66 0.96
3.3 3.61 1.19 7.71 4.47 7.17 40 10 93.9 1.2
3.4 3.64 1.27 8.13 4.36 7.45 40 8 93.9 0.96
3.5 4.31 1.78 8.53 5.19 9.66 28 9 95.73 1.08
3.6 4.34 1.62 8.75 5.48 9.19 32 8 95.12 0.96
3.7 4.35 1.83 8.89 5.67 9.84 35 10 94.66 1.2
3.8 4.24 1.65 9.3 5.49 9.2 39 12 94.05 1.44
3.9 7.19 2.63 8.25 5.38 15.08 18 16 97.26 1.91
3.10 6.45 2.4 8.87 5.71 13.65 26 12 96.04 1.44
3.11 5.88 2.11 9.39 5.9 12.2 36 13 94.51 1.56
3.12 5.59 2.24 9.6 5.9 12.31 28 13 95.73 1.56
3.13 8.02 2.67 8.37 5.21 16.03 14 12 97.87 1.44
3.14 7.28 2.6 8.34 5.36 15.07 16 12 97.56 1.44
3.15 6.7 2.41 9.07 5.31 13.93 21 12 96.8 1.44
3.16 5.9 2.29 9.05 5.56 12.77 10 12 98.48 1.44
4.1 2.45 1.14 9.71 6.56 5.87 76 3 88.41 0.36
4.2 2.49 1.24 10.2 6.91 6.21 75 3 88.57 0.36
4.3 2.35 1.04 10.21 6.82 5.48 86 2 86.89 0.24
continua na proxima pagina
Apendice C -- Tabela resultados cenario II 70
Tabela C.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
4.4 2.41 1.14 10.46 6.94 5.82 83 4 87.35 0.48
4.5 2.45 1.13 9.9 6.68 5.85 77 4 88.26 0.48
4.6 2.52 1.24 10.45 7.09 6.25 74 4 88.72 0.48
4.7 2.36 0.99 10.45 6.96 5.32 87 2 86.74 0.24
4.8 2.34 0.84 10.76 7.04 4.86 93 4 85.82 0.48
4.9 2.94 1.43 11.67 7.41 7.22 136 13 79.27 1.56
4.10 2.94 1.38 12 7.81 7.07 131 22 80.03 2.63
4.11 2.91 1.3 11.79 7.73 6.81 147 18 77.59 2.15
4.12 2.93 1.29 11.92 7.75 6.8 152 14 76.83 1.67
4.13 3.73 1.72 11.92 7.8 8.87 139 15 78.81 1.79
4.14 3.82 1.7 12.36 8.23 8.9 132 12 79.88 1.44
4.15 3.6 1.57 12.12 8.29 8.33 140 15 78.66 1.79
4.16 3.2 1.36 13.22 8.39 7.27 127 13 80.64 1.56
5.1 2.32 0.85 8.44 5.26 4.87 82 4 87.5 0.48
5.2 2.35 0.87 8.2 5.34 4.95 93 2 85.82 0.24
5.3 2.28 0.79 8.84 5.69 4.65 102 6 84.45 0.72
5.4 2.3 0.81 9.15 5.67 4.74 108 5 83.54 0.6
5.5 2.42 0.9 8.85 5.4 5.1 80 4 87.8 0.48
5.6 2.45 0.9 8.62 5.57 5.16 92 3 85.98 0.36
5.7 2.38 0.85 9.2 5.95 4.92 101 6 84.6 0.72
5.8 2.42 0.89 9.53 5.86 5.1 106 5 83.84 0.6
5.9 3.51 1.53 9.99 6.67 8.11 122 13 81.4 1.56
5.10 3.55 1.51 10.2 6.76 8.09 126 13 80.79 1.56
5.11 3.41 1.4 10.37 6.62 7.62 125 10 80.95 1.2
5.12 2.97 1.23 11.25 7.23 6.66 110 13 83.23 1.56
5.13 4.73 1.77 9.69 6.58 10.04 113 17 82.77 2.03
5.14 4.24 1.76 10.12 6.41 9.51 92 16 85.98 1.91
5.15 3.56 1.38 10.66 7.1 7.69 84 11 87.2 1.32
5.16 3.24 1.34 12.15 7.29 7.26 76 14 88.41 1.67
6.1 2.43 0.76 6.58 4.02 4.7 95 7 85.52 0.84
continua na proxima pagina
Apendice C -- Tabela resultados cenario II 71
Tabela C.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
6.2 2.47 0.75 6.23 4.08 4.73 92 8 85.98 0.96
6.3 2.44 0.78 6.52 4.15 4.77 91 7 86.13 0.84
6.4 2.3 0.6 6.49 4.36 4.09 75 18 88.57 2.15
6.5 3.15 1.56 7.72 4.93 7.81 64 14 90.24 1.67
6.6 3.22 1.49 7.26 4.95 7.69 69 13 89.48 1.56
6.7 3.21 1.73 7.52 5.12 8.41 54 7 91.77 0.84
6.8 2.88 1.28 7.34 5.24 6.72 50 12 92.38 1.44
6.9 5.1 1.99 6.87 4.59 11.07 31 18 95.27 2.15
6.10 4.1 1.71 7.6 4.9 9.23 30 9 95.43 1.08
6.11 3.84 1.62 7.37 4.23 8.7 31 12 95.27 1.44
6.12 3.88 1.52 8.19 5.13 8.43 39 12 94.05 1.44
6.13 5.25 1.87 6.62 4.1 10.87 20 16 96.95 1.91
6.14 5.01 1.97 7.21 4.32 10.93 18 13 97.26 1.56
6.15 4.9 1.83 7.1 4.06 10.4 20 15 96.95 1.79
6.16 4.46 1.47 7.38 4.27 8.87 24 13 96.34 1.56
7.1 3.77 0.49 11.65 7.37 5.23 103 1 84.3 0.12
7.2 3.72 0.42 11.47 7.49 4.99 114 1 82.62 0.12
7.3 3.66 0.35 11.3 7.28 4.7 126 1 80.79 0.12
7.4 3.95 0.92 11.29 6.98 6.7 105 1 83.99 0.12
7.5 3.88 0.63 11.94 7.36 5.77 101 1 84.6 0.12
7.6 3.78 0.56 11.67 7.62 5.47 111 1 83.08 0.12
7.7 3.82 0.79 11.66 7.48 6.18 112 2 82.93 0.24
7.8 4.05 1.04 11.53 7.11 7.15 103 2 84.3 0.24
7.9 4.47 1.37 15.21 8.85 8.58 170 4 74.09 0.48
7.10 4.57 1.75 14.72 8.55 9.81 156 6 76.22 0.72
7.11 4.39 1.45 15.12 8.86 8.72 170 4 74.09 0.48
7.12 4.33 1.47 14.96 8.72 8.75 158 3 75.91 0.36
7.13 5.46 2.04 15.36 9.42 11.57 159 10 75.76 1.2
7.14 5.18 1.93 16.09 9.3 10.96 158 9 75.91 1.08
7.15 4.72 1.64 17.06 9.08 9.65 157 17 76.07 2.03
continua na proxima pagina
Apendice C -- Tabela resultados cenario II 72
Tabela C.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
7.16 4.44 1.44 17.2 9.42 8.75 151 11 76.98 1.32
8.1 3.7 0.33 11.42 6.57 4.7 126 1 80.79 0.12
8.2 3.66 0.25 11.3 6.6 4.42 135 4 79.42 0.48
8.3 3.73 0.46 11.08 6.5 5.12 134 1 79.57 0.12
8.4 3.84 0.99 11.05 6.3 6.8 123 1 81.25 0.12
8.5 3.95 0.89 11.88 6.82 6.62 116 1 82.32 0.12
8.6 4.04 1.1 11.74 6.92 7.35 114 3 82.62 0.36
8.7 4.02 1.06 11.66 6.88 7.2 117 2 82.16 0.24
8.8 4.03 1.21 11.56 6.72 7.65 120 4 81.71 0.48
8.9 5.21 1.89 12.94 7.83 10.87 140 8 78.66 0.96
8.10 5.13 1.91 13.58 7.84 10.86 139 8 78.81 0.96
8.11 4.71 1.72 14.69 8.18 9.87 133 18 79.73 2.15
8.12 4.58 1.74 15.41 8.3 9.79 111 14 83.08 1.67
8.13 6.81 2.76 13.65 7.9 15.07 102 11 84.45 1.32
8.14 5.63 2.22 15.51 8.29 12.28 112 8 82.93 0.96
8.15 5.26 2.01 15.71 8.5 11.28 102 8 84.45 0.96
8.16 5.5 2.16 15.97 8.33 11.97 102 11 84.45 1.32
9.1 3.89 0.87 8.94 4.85 6.49 118 4 82.01 0.48
9.2 3.82 0.73 9.19 5.02 6.02 126 16 80.79 1.91
9.3 3.86 0.9 9.4 5.14 6.56 100 4 84.76 0.48
9.4 3.82 0.75 9.81 5.29 6.06 73 7 88.87 0.84
9.5 5.25 2.24 10.82 6.05 11.96 64 12 90.24 1.44
9.6 5.13 2.04 10.9 6.16 11.25 76 8 88.41 0.96
9.7 4.8 1.86 11.09 6.25 10.38 74 9 88.72 1.08
9.8 4.67 1.91 12.22 6.54 10.39 55 6 91.62 0.72
9.9 8.09 5.2 11.5 6.67 23.7 14 6 97.87 0.72
9.10 7.4 5.24 12.01 6.95 23.13 14 5 97.87 0.6
9.11 7.23 3.35 11.8 6.89 17.28 30 10 95.43 1.2
9.12 6.74 2.98 12.54 7.53 15.67 29 10 95.58 1.2
9.13 9.67 5.01 11.43 6.44 24.7 13 9 98.02 1.08
continua na proxima pagina
Apendice C -- Tabela resultados cenario II 73
Tabela C.1 – continuacao da pagina anterior
Falsos > 0 Verdadeiros > 0C.V1
Media DP2 Media DP2 Limite NA3 NFA4 FRR% FAR%
9.14 9.21 4.91 11.38 6.71 23.95 12 8 98.17 0.96
9.15 8.55 3.84 12.02 6.33 20.06 14 11 97.87 1.32
9.16 7.92 3.52 11.54 6.12 18.48 14 14 97.87 1.67
10.1 4.31 1.82 12.51 7.29 9.76 88 4 86.59 0.48
10.2 4.39 1.88 12.59 7.35 10.04 87 6 86.74 0.72
10.3 4.24 1.85 12.78 7.25 9.78 97 7 85.21 0.84
10.4 4.31 1.77 12.72 6.96 9.61 105 7 83.99 0.84
10.5 4.39 1.85 12.66 7.24 9.94 93 3 85.82 0.36
10.6 4.49 1.87 12.7 7.29 10.1 93 5 85.82 0.6
10.7 4.28 1.79 12.94 7.21 9.67 104 7 84.15 0.84
10.8 4.33 1.72 12.85 6.91 9.49 111 6 83.08 0.72
10.9 5.62 2.05 15.6 8.86 11.78 152 12 76.83 1.44
10.10 5.56 2 15.46 8.97 11.56 145 11 77.9 1.32
10.11 5.39 1.97 15.76 8.84 11.3 153 11 76.68 1.32
10.12 5.18 2.02 16.73 8.92 11.24 142 12 78.35 1.44
10.13 6.83 2.14 16.31 9.21 13.26 161 7 75.46 0.84
10.14 6.44 2.22 16.85 9.19 13.09 146 8 77.74 0.96
10.15 5.95 2.08 17.14 9.56 12.18 145 11 77.9 1.32
10.16 5.46 2.04 17.82 9.45 11.58 138 13 78.96 1.56
Tabela C.1: Resultados do cenario II
1Configuracao . Variacao2Desvio padrao3Numero de acertos4Numero de falsos acertos
74
Lista de Abreviaturas
NBIS NIST Biometric Image Software
FAR False Acceptance Rate
FRR False Reject Rate
SGBD Sistema Gerenciadores de Bancos de Dados
SQL Structured Query Language
CCD Charge-Coupled Device
IHM Interface Homem Maquina
75
Referencias Bibliograficas
ALECRIM, E. Introducao a Biometria. 2005. http://www.infowester.com/biometria.php. Ultimo acesso em 16 de setembro de 2012.
ANSELMO, J. Identificacao de Impressoes Digitais em Tempo Real. 2011.
BATISTA, V. H. F. Transversais de Triangulos e suas Aplicacoes em Triangulacoes. Tese(Doutorado) — Universidade Federal do Rio de Janeiro, 2010.
BERG, M. de; CHEONG, O.; KREVELD, M. van. Computational Geometry: Algorithms andApplications. [S.l.]: Springer-Verlag Berlin Heidelberg, 2008. ISBN 9783540779742.
BHANU, B.; TAN, X. Fingerprint matching by genetic algorithms. [S.l.], 2005.
BUBECK, U.; SANCHEZ, D. Biometric Authentication. [S.l.], 2003.
CASTRO, T. da S. Identificacao de Impressoes Digitais Baseada na Extracao de Minucias.Dissertacao (Mestrado) — Universidade Federal de Juiz de Fora, 2008.
COSTA, S. M. F. Classificacao e Verificacao de Impressoes Digitais. Dissertacao (Mestrado)— Escola Politecnica da Universidade de Sao Paulo, 2001.
FALGUEIRA, F. P. S. Fusao de Metodos Baseados em Minucias e em Cristas paraReconhecimento de Impressoes Digitais. Dissertacao (Mestrado) — Universidade EstadualPaulista Julio de Mesquita Filho, 2008.
FENG, J.; CAO, J. A Robust Fingerprint Matching Algorithm Based on Compatibility of StarStructures. [S.l.], 2009.
FIORENTIN, M. B. Deteccao Automatica de Impressoes Digitais. 2006.
JAIN, A. et al. An Identity Authentication System Using Fingerprints. 2007. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.84.4344&rep=rep1&type=
pdf. Ultimo acesso em 16 de Setembro de 2012.
JARDINI, E.; GONZAGA, A.; JUNIOR, C. T. Metodologia para Indexacao e Buscade Impressoes Digitais atraves do uso de Funcao de Distancia Metrica. 2010. http://iris.sel.eesc.usp.br/lavi/portugues/pdf/wvc2006_0020.pdf. Ultimo acesso em30 Abril de 2012.
JEA, T.-Y.; GOVINDARAJU, V. A minutia-based partial fingerprint recognition system. [S.l.],2005.
KOMARINSKI, P. Automated Fingerprint Identification Systems (AFIS). [S.l.]: ElsevierScience, 2005. ISBN 0124183514.
Referencias Bibliograficas 76
KOVACS-VAJNA, Z. M. A Fingerprint Verification System Based on Triangular Matching andDynamic Time Warping. [S.l.], 2000.
LIMA, A. R. G. Maquinas de Vetores Suporte na Classificacao de Impressoes Digitais.Dissertacao (Mestrado) — Universidade Federal do Ceara, 2002.
LOBATO, E. M. Classificaccao e Identificaccao de Impressoes Digitais no Domınio daTransformada Wavelet. Dissertacao (Mestrado) — Universidade Federal de Santa Catarina,2000.
MAGALHAES, P. S. Biometria e autenticacao. [S.l.], 2003.
MALTONI, D. et al. Handbook of Fingerprint Recognition. Springer, 2009.(Springer professional computing). ISBN 9781848822535. Disponıvel em:<http://books.google.com.br/books?id=1Wpx25D8qOwC>.
MARTINS, E. O que e Biometria. 2009. http://www.tecmundo.com.br/o-que-e/3121-o-que-e-biometria-.htm. Ultimo acesso em 16 de setembro de 2012.
MAZETTI, C. M. D. Metodologia para extracao de caracterısticas invariantes a rotacao emImagens de Impressoes Digitais. Dissertacao (Mestrado) — Escola de Engenharia de SaoCarlos da Universidade de Sao Paulo, 2006.
MORAES, A. F. de. Metodo para Avaliacao da tecnologia biometrica na seguranca deaeroportos. Dissertacao (Mestrado) — Escola Politecnica da Universidade de Sao Paulo, 2006.
MYSQL. About MySQL. 2012. http://www.mysql.com/about/. Ultimo acesso em 10 deoutubro de 2012.
NANAVATI, S.; THIEME, M.; NANAVATI, R. Biometrics: identity verification in a networkedworld. John Wiley & Sons, 2002. (Wiley tech brief series). ISBN 9780471099451. Disponıvelem: <http://books.google.com.br/books?id=wx1TAAAAMAAJ>.
RAAFAT, H.; XIAO, Q. Combining Statistical and Structural Information for FingerprintIdentification. [S.l.], 1990.
RATHA, N. k.; BOLLE, R. M.; CONNELL, J. H. An Analysis of Minutiae MatchingStrength. 2001. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.87.8743&rep=rep1&type=pdf. Ultimo acesso em 16 de Setembro de 2012.
RATHA, N. k. et al. Robust Fingerprint Authentication Using Local Structural Similarity.2000. http://graphics.stanford.edu/~vaibhav/pubs/fingerprint.pdf. Ultimoacesso em 16 de Setembro de 2012.
RATHA, N. K. et al. A Real-time Matching System for Large Fingerprint Databa-ses. 1996. http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=639516A6BC6F93FFD301574B8B35F226?doi=10.1.1.54.922&rep=rep1&type=pdf.Ultimo acesso em 16 de Setembro de 2012.
REYES, E. G.; HAM, M. I.; PEREIRA, Y. B. A Multiple Substructure Matching Algorithm forFingerprint Recognition. [S.l.], 2007. 172–181 p.
Referencias Bibliograficas 77
SAMATELO, J. L. A. Um Sistema de Classificacao de Impressoes Digitais. Dissertacao(Mestrado) — Universidade Federal do Espırito Santo, 2007.
SILVERMAN, M.; LIU, S. A Practical Guide to Biometric Security Technology. 2001.http://www.lfca.net/Reference%20Documents/A%20Practical%20Guide%20To%
20Biometric%20Security%20Technology.pdf. Ultimo acesso em 16 de Setembro de 2012.
TECHNOLOGY, C. on. Fingerprint Recognition. [S.l.], 2006.
TEDESCO, C.; COUTO, D. L. Desenvolvimento de Algorıtmos para Analise de Imagensde IDs Rotacionadas Utilizando Grafos. 2004. http://www.uefs.br/erbase2004/documentos/wticgbase/Wticgbase2004ArtigoMonografia002.pdf. Ultimo acesso em16 de Setembro de 2012.
THAI, R. Fingerprint Image Enhancement and Minutiae Extraction. [S.l.], 2003.
WEI, L. et al. An Alignment Based Fingerprint Matching Algorithm. [S.l.], 2006.
WIKIPEDIA. Banco de Dados — Wikipedia, A Enciclopedia Livre. 2012. http://pt.wikipedia.org/wiki/Banco_de_dados. Ultimo acesso em 10 de outubro de 2012.
WIKIPEDIA. Biometrics — Wikipedia, The Free Encyclopedia. 2012. http://en.wikipedia.org/wiki/Biometrics. Ultimo acesso em 16 de setembro de 2012.
WIKIPEDIA. Delaunay triangulation — Wikipedia, The Free Encyclopedia. 2012.http://en.wikipedia.org/wiki/Delaunay_triangulation. Ultimo acesso em 16 desetembro de 2012.
WIKIPEDIA. MySQL — Wikipedia, The Free Encyclopedia. 2012. http://en.wikipedia.org/wiki/MySQL. Ultimo acesso em 10 de outubro de 2012.