Projeto e implementação de uma rede neural artificial para detecção do mal-posicionamento rotacional de dedos em dispositivos de captura de impressões digitais multivista sem toque

• Cauê Zaghetto Universidade de Brasília
• Luiz Aguiar Universidade de Brasília
• Alexandre Zaghetto Universidade de Brasília
• Flávio Vidal Universidade de Brasília

DOI: https://doi.org/10.5753/sbsi.2015.5819

Resumo

Este artigo apresenta um método baseado em Redes neurais artificiais que avalia o mal-posicionamento dos dedos, em função da rotação, em dispositivos de aquisição de impressões digitais multivista sem toque. O objetivo é determinar se o dedo está rotacionado ou não, uma vez que o bom posicionamento do dedo é mandatório para garantir altas taxas de correspondência de impressões digitais. Um conjunto de teste de 9000 imagens foi usado para treinar, validar e testar um classificador baseado em redes neurais artificiais multicamadas. Até o momento, não existe um método definitivo que abordou o problema de qualidade de impressões digitais em scanners que utilizem a tecnologia multivista sem toque e a detecção da rotação do dedo apresentada neste artigo é um dos passos que devem ser levados em conta se um futuro método automático para avaliação da qualidade de impressões digitais for considerado. Os resultados médios, mostram que: (a) o classificador identifica corretamente o mal-posicionamento em aproximadamente 94% dos casos; e (b) quando o mal-posicionamento é detectado, o ângulo de rotação é corretamente estimado em 90% dos casos.

Palavras-chave: impressão digital, multivista, sem toque, avaliação de qualidade

Referências

A. K. Jain and S. Pankanti. Automated fingerprint identification and imaging systems. In H. C. Lee and R. E. Gaensslen, editors, Advances in Fingerprint Technology, chapter 8. CRC Press, Boca Raton, 2nd edition, 2001.

A. Kumar and C. Kwong. Towards contactless, low-cost and accurate 3d fingerprint identification. In Computer Vision and Pattern Recognition (CVPR), 2013 IEEE Conference on, pages 3438–3443, June 2013.

B. Wing. Nist contributions to biometric technology. IT Professional, 16(2):38–44, Mar 2014.

D. Milgram. Computer methods for creating photomosaics. IEEE Transactions on Computers, C-24(11):1113–1119, Nov. 1975.

F. Liu, D. Zhang, C. Song, and G. Lu. Touchless multiview fingerprint acquisition and mosaicking. Instrumentation and Measurement, IEEE Transactions on, 62(9):2492–2502, Sept 2013.

G. Parziale. Touchless fingerprinting technology. In N. K. Ratha and V. Govindaraju, editors, Advances in Biometrics: Sensors, Algorithms and Systems, chapter 2. Springer, London, 2008.

H. Demuth, M. Beale, H. Demuth, and M. Beale. Neural network toolbox for use with matlab, 1993.

H. Yu and B. M. Wilamowski. Levenberg–marquardt training. In Industrial Electronics Handbook, 2nd Edition, volume 5, pages 12–1. CRC Press, 2011.

J. Dittmann and M. Hildebrandt. Context analysis of artificial sweat printed fingerprint forgeries: Assessment of properties for forgery detection. In Biometrics and Forensics (IWBF), 2014 International Workshop on, pages 1–6, March 2014.

J. Hammerle-Uhl, M. Pober, and A. Uhl. Systematic evaluation methodology for fingerprint-image quality assessment techniques. In Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2014 37th International Convention on, pages 1315–1319, May 2014.

J. Wayman. A definition of biometrics. In National Biometric Test Center Colected Works 1997-2000. San Jose State University, 2000.

J.-H. Xue and D. Titterington. t -tests, f -tests and otsu’s methods for image thresholding. Image Processing, IEEE Transactions on, 20(8):2392–2396, Aug 2011.

M. AlTarawneh, W. Woo, and S. Dlay. Objective fingerprint image quality assessment using gabor spectrum approach. In Digital Signal Processing, 2007 15th International Conference on, pages 248–251, July 2007.

M. Dusio, M. A. Olsena, and C. Busch. Fingerprint sample quality assessment via ridge line count using laplacian of gaussian edge finding. In Biometrics and Forensics (IWBF), 2014 International Workshop on, pages 1–6, March 2014.

M. Olsen, E. Tabassi, A. Makarov, and C. Busch. Self-organizing maps for fingerprint image quality assessment. In Computer Vision and Pattern Recognition Workshops (CVPRW), 2013 IEEE Conference on, pages 138–145, June 2013.

R. Allen, P. Sankar, and S. Prabhakar. Fingerprint identification technology. In J. Wayman, A. Jain, D. Maltoni, and D. Maio, editors, Biometric Systems: Technology, Design and Performance Evaluation, chapter 2. Springer, London, 2005.

R. D. Labati, V. Piuri, and F. Scotti. A neural-based minutiae pair identification method for touch-less fingerprint images. In Computational Intelligence in Biometrics and Identity Management (CIBIM), 2011 IEEE Workshop on, pages 96 –102, april 2011.

R. Khanna and W. Shen. Automated fingerprint identification system (afis) benchmarking using the national institute of standards and technology (nist) special database 4. In Security Technology, 1994. Proceedings. Institute of Electrical and Electronics Engineers 28th Annual 1994 International Carnahan Conference on, pages 188–194, Oct 1994.

R. Labati, V. Piuri, and F. Scotti. Neural-based quality measurement of fingerprint images in contactless biometric systems. In Neural Networks (IJCNN), The 2010 International Joint Conference on, pages 1 –8, july 2010.

S. Haykin. Neural Networks: A Comprehensive Foundation. Prentice Hall PTR, Upper Saddle River, NJ, USA, 2nd edition, 1998.

S. Pankanti, S. Prabhakar, and A. Jain. On the individuality of fingerprints. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 24(8):1010–1025, Aug 2002.

V. Piuri and F. Scotti. Fingerprint biometrics via low-cost sensors and webcams. In Biometrics: Theory, Applications and Systems, 2008. BTAS 2008. 2nd IEEE International Conference on, pages 1 –6, 29 2008-oct. 1 2008.