Sistemas Automáticos de Identificação de Impressões

Digitais (AFIS)

Motivação

● Demanda por segurança:– transações financeiras

– fraudes de identidade

– locais ou recursos restritos

● Identificação de indivíduos:– crimes

– fins civis

Motivação (2)● EUA:

– ~ $1 bi gasto anualmente com benefícios sociais para pessoas com múltiplas identidades

– com um sistema de identificação nas fronteiras, seriam detidos diariamente 3.000 imigrantes ilegais na fronteira com o México

● MasterCard gasta ~ $450 milhões por ano com reparos a fraudes

Biometria

● Biometria: ciência que estuda a identificação de pessoas através de características físicas– identificadores fisiológicos: digitais, íris, face

– identificadores de procedimento: voz, assinatura, dinâmica de digitação

● Problema de verificação (1:1)

● Problema de reconhecimento (1:n)

Problema de Verificação

Meios de verificação:

Ciência Forense● Associada ao problema de reconhecimento

● Definição: “Aplicação de um largo espectro da ciência para responder questões de interesse do sistema legal”1

● Reconhecimento de pessoas: impressões digitais, DNA (fio de cabelo, sangue), dentes, voz e face (obtidas em gravações)

● Identificação de objetos: armas de fogo (balística), máquinas de escrever

1Fonte: http://en.wikipedia.org/wiki/Forensic

Impressões Digitais

Atendem aos princípios da Biometria:

– Universalidade (exceção: http://www.xs4all.nl/~dacty/noprints.htm)

– Unicidade● (comparação com DNA de gêmeos)

– Imutabilidade

– Critério quantitativo

Amplamente aceitas no meio jurídico, forense e civil

Considerado meio mais prático, seguro e econômico de identificação existente (mais de um século de uso)

Histórico

● Pinturas pré-históricas: denotando autoria ou identidade

● 650, China: processos de divórcio

● Séculos XVII-XIX: diversos estudos sobre impressões digitais

● 1877, Jungipoor, Índia: identificação de indivíduos e autenticação de documentos através de digitais e palmas das mãos

● Antropometria (Bertillon, 1879) e fotografia como métodos de identificação

● Sistemas de classificação de digitais: Dr. Henry Faulds (1880)

● 1892: Finger Prints, de Sir Francis Galton: base científica

Histórico (2)

● 1897: sistema de classificação Henry

● 1900: substituição definitiva da Antropometria na Índia

● Implementações na Índia Britânica, África do Sul e Scotland Yard

● 1903, Brasil: instituído o sistema dactiloscópico e a emissão do “Cartão de Identidade” ou “Ficha Passaporte”

● 1969: FBI incentiva o estudo de sistemas automatizados de identificação

● 2001: primeiro teste com AFIS's totalmente independentes

Arquitetura de um AFIS

Obtenção da Impressão Digital

● Formação de cristas e vales● Impressão tintada em papel

– Fácil de obter, má qualidade

● Impressão latente– Gordura/sujeira acumulada nos dedos

– Muitas vezes é a única

possível (como em crimes)

– Má qualidade

Obtenção da Impressão Digital (2)

● Através de um leitor (scanner)● Tipos de leitores

– Ópticos (mais utilizados)

– Capacitivos

– Térmicos

– Ultra-sônicos

– Piezoelétricos, utilizando fibra óptica, campo elétrico

● Toque x deslizamento (maior segurança, implementação complicada)

Diferença entre imagem tintada em papel e obtida por leitor

Problema em Sistemas de Verificação● Alguns sistemas utilizam digitais para restringir acesso a

locais/dados

● Necessidade de detectar digitais falsas

● Possibilidade de burlá-los utilizando uma digital falsa feita de gelatina

– Características físicas da gelatina idênticas à da pele

– (Sandström, 2001) Todos os sistemas testados foram burlados

● Dificuldade em obter digital original

● Necessidade de combinar várias técnicas

● Técnica em teste: detecção de transpiração

● Problema: forjamento de provas

Características Globais

● Estrutura das cristas● Pontos singulares: núcleos e deltas

● Formas de detecção:● Índice de Poincaré● Dualidade das minúcias

● Podem ser utilizados para classificar uma impressão digital nos grupos do sistema de Henry

Características Locais● Pontos característicos, minúcias ou detalhes de

Galton

● Determinam a unicidade de uma digital● Utilizados nos AFIS: bifurações e cristas finais

Problema de Comparação

● Duas digitais são de um mesmo dedo?● Comparação da estrutura das cristas

– orientação, número, formato

● Comparação de detalhes complexos de uma única crista– minúcias específicas, poroscopia

● Comparação de minúcias– Regra dos 12 pontos

– Alto consumo de tempo

Extração de Minúcias

● Pré-processamento– Melhoria da qualidade da imagem

– Extração de aspectos

– pontual: cor'(p) = f1(cor(p))

– de área: cor'(p) = f2(cor(V(p))

● Representação interna– geralmente não se grava a imagem, mas uma

representação da impressão digital

Pré-processamento

• Binarização (Threshold)– transformação de uma imagem de tons de cinza em

preto/branco (imagem binária)

– Threshold adaptativo:• transformação feita por blocos (8x8 ou 10x10)

• valor de limiar (T) é calculado pela média dos tons de cinza do bloco

• imagem pode ter regiões mais claras/escuras

G(i, j) = | 0 se cinza(i, j) < T | 255 se cinza(i, j) >= T

(i= 0, 1, ......N; j = 0, 1, .....M)

Imagem após binarização

Pré-processamento (2)

• Afinamento (Thinning)– Obtenção da estrutura das cristas com dimensão

unitária– Facilita extração de minúcias– Utiliza máscaras que modelam a estrutura das cristas,

retirando pontos desnecessários

Pré-processamento (3)

• Filtro de limpeza do esqueleto– Pretende remover ruído da imagem afinada

• Reentrâncias nas cristas

Detecção de Minúcias

● Cálculo do Crossing Number (CN)– Pixel é uma bifurcação se possui 3 pontos vizinho

– Pixel é crista final se possui apenas 1 ponto vizinho

● Armazena-se, então:– Tipo da minúcia

– Direção e distância ao ponto singular (geralmente o núcleo)

– Direção da crista que contém a minúcia

Banco de filtros de Gabor

• Filtro para previnir minúcias falsas, formadas devido à má qualidade da imagem

• Determina a direção verdadeira da crista

Método Sintático de Comparação

● Trata-se a seqüência de registros de minúcias como uma string

● Aplicam-se transformações (edições: inserções, deleções) sobre a string candidata a fim de obter a string do BD

● Calcula-se o mínimo de transformações necessárias (programação dinâmica)

● Gera-se um índice de similaridade

● Imagem aceita se o índice é maior que um limite estabelecido (threshold)

● FRR = 19,5% FAR = 0,003%

Problema de Classificação

● Comparação de minúcias demorado● Seleção de um subconjunto do BD para posterior

comparação de minúcias● Técnicas utilizadas

– Redes neurais– Sistema de Henry

● Definição de classes difícil de formalizar● Algumas imagens não podem ser classificadas

– Combinação de técnicas

Sistema de Henry

• Classes de digitais– Distribuídas de forma desigual na população– Obs.: relação entre classe de digital e aptidão para

esportes• Classificação utilizada em bancos de dados de

papel:– Baseada em todos os 10 dedos– 1024 grupos diferentes– Ineficiente em uso computa-

cional (utilizada apenas nos

primeiros sistemas)

Técnicas de Classificação

• Através dos pontos singulares– Formas de identificação:

• Índice de Poincaré• Dualidade das minúcias

• Através do fluxo das cristas– Difícil de implementar

• Combinação das técnicas

Cálculo da Imagem Direcional

• Obtenção da direção das cristas na imagem binarizada

Cálculo da Imagem Direcional (2)

• Calculam-se as grandezas direcionais S1, ..., S7

• Sp = min {Si | i=1,...7}

• Sq = max {Si | i=1,...,7}

• Direção (depende da cor do pixel)

Suavização da Imagem Direcional

• A direção é obtida para grupos de 9 pixels (3x3) e não pixels individuais

• Métodos:– Moda: valor para o grupo é o valor mais freqüente– Seno-cosseno: média dos vetores da forma (cos2a,

sen2a)

Cálculo do índice de Poincaré

• Toma-se uma curva fechada em torno do pixel

• Calcula-se o somatório (S) das diferenças entre ângulos consecutivos no sentido anti-horário

• S > 90° S := S – 180°• S < -90º S := S + 180° Sendo <PSI> uma curva fechada

e O é a imagem direcional

Delta-180°

Núcleo180°

Ordinário0°

Tipo de pontoSomatório

Cálculo do índice de Poincaré (2)

• Atribui-se então uma classe com base no número de pontos singulares– Nenhum ponto: arco– Um núcleo e um delta: arco angular ou presilha

• Necessário calcular a direção do vetor núcleo-delta

– Dois núcleos e deltas: verticilo– Mais de dois núcleos ou deltas: necessário suavizar imagem

direcional (ex.: filtro gaussiano)

• Usando as duas técnicas combinadas, obtém-se 12,5% de erro.

• Utilizando uma mesma classe para arco e arco angular, obtém-se erro de 7,7%

Avaliação de um AFIS

● FAR (False Acceptance Rate)● FRR (False Rejection Rate)● EER (Equal Error Rate)

– Valor para o qual FAR = FRR

– Boa medida de qualidade

– FBI: classificação boa se● FRR = 20% FAR = 1%

Bibliografia● Sandstrom, M., Liveness Detection in Fingerprint Recognition

● Costa, S.M.F., Classificação e Verificação de Impressões Digitais

● Jain, A.-Pankanti,S., Fingerprint Classification and Matching

● Fingerprint Recognition (Notas do National Science and Technology Council)

● The Henry Classification System (Notas do International Biometric Group)

● Ferreira, A. A. M. Perfil dermatoglífico, somatotípico e das qualidades físicas de atletas brasileiros de corrida de orientação de alto rendimento

● http://en.wikipedia.org/wiki/Biometric

● http://en.wikipedia.org/wiki/Forensic

● http://en.wikipedia.org/wiki/Forensic_identification

● http://www.xs4all.nl/~dacty/noprints.htm