Академический Документы
Профессиональный Документы
Культура Документы
INSTITUTO DE TECNOLOGIA
FACULDADE DE ENGENHARIA DA COMPUTAÇÃO
Belém
2012
ii
Belém
2012
iii
Banca Examinadora:
______________________________________
Prof. Ronaldo de Freitas Zampolo
Faculdade de Engenharia da Computação/UFPA
Orientador
_______________________________________
Prof. Agostinho Luiz da Silva Castro
Faculdade de Engenharia da Computação/UFPA
________________________________________
Prof. Eurípedes Pinheiro dos Santos
Faculdade de Engenharia da Computação/UFPA
iv
AGRADECIMENTOS
Ao meu irmão que admiro muito e tenho muito carinho, e quem sempre me
ajudou.
Ao meu avô, tios, primos e cunhada pelo cuidado e confiança, que me motivam
a nunca pensar em parar.
Aos meus amigos Fernanda Leal, Felipe Coelho, Cássio Peixoto, Marina
Campos e Werson Araujo, que foram meus parceiros diários nesses 5 anos de
graduação, me ajudando e ensinando muito além de assuntos acadêmicos, mas
pensamentos que hoje fazem parte da minha vida.
Aos meus amigos Débora Cunha, Francis Penha e Jairo Oliveira, por estarem
comigo em um momento muito importante da minha vida, tornando-se minha família
naquele momento especial.
LISTA DE SIGLAS
PCA Principal Component Analysis.
LISTA DE FIGURAS
Figura 1.1: Etapas para o reconhecimento de faces [15]. ....................................................................... 3
Figura 1.2: Figura 1.2: Mudança de iluminação. [15]. . ......................................................................... 4
Figura 2.1: Esquemático das funções de sistemas biométricos [21]. . ...................................................... 6
Figura 2.2: Coleta de saliva. Processo pode ser invasivo e indivíduo pode recusar fazer [15]. ................ 9
Figura 2.3: Identificação biométrica já utilizada em terminais de auto-atendimento bancário utilizando
varredura de veias da mão [15].. ............................................................................................................ 9
Figura 2.4: Etapas realizadas no processo de reconhecimento de orelha [6]. ........................................ 10
Figura 2.5: (a) Imagem binária de uma impressão digital; (b) Uma impressão digital após a
identificação das minúcias [2].. ............................................................................................................ 11
Figura 2.6: Tipos de minúcias identificadas na digital [44]... ................................................................ 12
Figura 2.7: Amostras das articulações e ângulos observadas durante a caminhada [48].. ..................... 13
Figura 2.8: Termograma facial [8]. ...................................................................................................... 14
Figura 2.9: Imagem da íris humana [44].. ............................................................................................ 15
Figura 2.10: Padrões que caracterizam a retina [47]............................................................................ 16
Figura 3.1: Imagem frontal - Pontos que podem ser analisados no reconhecimento de faces [2]............ 22
Figura 3.2: Face Interna: Imagem filtrada para extração somente da face interna na imagem capturada;
Escala cinza: Imagem convertida em escala cinza; Equalizada; Imagem com o histograma equalizado..
............................................................................................................................................................ 24
Figura 3.3: Histograma da imagem em escala cinza. ............................................................................ 25
Figura 3.4: Histograma equalizado da imagem..................................................................................... 25
Figura 3.5: (a) Componente principal não representa a direção mais eficiente para representar os dados,
(b) Componente principal que representa uma direção eficiente para representar os dados.. ................. 27
Figura 3.6: Imagem média utilizada para projetar as imagens de entrada no novo espaço .................... 30
Figura 3.7: Eigenfaces para um treinamento com 25 imagens. .............................................................. 31
Figura 4.1: Etapas para o reconhecimento de faces Face localizada próximo a câmera, longe da câmera
e com um acessório em um ambiente com menor luminosidade. ............................................................ 33
Figura 4.2: Indivíduo de perfil. Sistema não consegue localizar a face.. ................................................ 33
Figura 4.3: Indivíduo que faz parte do banco de dados e foi identificado e indivíduo que não faz parte e
não foi identificado.. ............................................................................................................................. 36
ix
LISTA DE TABELAS
Tabela 2.1: Tabela com os requisitos gerais de um sistema biométrico [21].. ......................................... 7
Tabela 2.2: Tabela comparativa do desempenho dos métodos biométricos [21]..................................... 19
Tabela 4.1: Resultados dos testes realizados, indicando a percentagem de acerto.................................. 34
x
RESUMO
ABSTRACT
Biometrics is the statistical study of the physical or behavioral characteristics
of human being. Many studies use these characteristics to develop biometric systems,
used in various applications, particularly in the area of security. Face recognition is one
of the most studied biometric modalities, due to be quite intuitive and less invasive than
others existing methods.
This study can be divided into three main modules: (1) Find an object in the
image side; (2) Location and tracking of faces in an image sequence (frames), and
segment the region traced the image; (3) Recognition of faces, identifying from which
one the tracked face belongs. For the first and second phases was implemented a motion
analysis system that allowed to seek an object in the image and validate it as a face,
meaning that the face was located, and also track this face in a sequence of image,
drawing the face localized. For the third step an information reduction model was
implemented (PCA technique) alongside with classification and identification of faces
(Euclidean distance).
OpenCV library was used for all stages of the implementation of this work.
Sumário
LISTA DE SIGLAS ................................................................................................................vii
LISTA DE FIGURAS ........................................................................................................... viii
LISTA DE TABELAS .............................................................................................................ix
RESUMO .................................................................................................................................x
ABSTRACT ............................................................................................................................xi
1. INTRODUÇÃO ................................................................................................................... 1
1.1 OBJETIVO/JUSTIFICATIVA ............................................................................................ 2
1.2 METODOLOGIA ............................................................................................................... 2
1.3 MOTIVAÇÃO .................................................................................................................... 3
1.4 LIMITAÇÕES DA TÉCNICA ............................................................................................ 4
1.5 ORGANIZAÇÃO DO TRABALHO ................................................................................... 4
2. SISTEMAS BIOMÉTRICOS ......................................................................................... 5
2.1 INTRODUÇÃO .................................................................................................................. 5
2.2 BIOMETRIA ...................................................................................................................... 5
2.3 MODALIDADES BIOMÉTRICAS .................................................................................... 8
2.3.1 DNA ..................................................................................................................................... 8
2.3.2 Varredura de Veias da Mão.................................................................................................... 9
2.3.3 Pulso Arterial ...................................................................................................................... 10
2.3.4 Orelha ................................................................................................................................. 10
2.3.5 Impressão Digital ................................................................................................................ 11
2.3.6 Reconhecimento de Marcha ................................................................................................. 12
2.3.7 Termograma Facial .............................................................................................................. 14
2.3.8 Íris ...................................................................................................................................... 14
2.3.9 Padrão de Digitação ............................................................................................................. 16
2.3.10 Palma da Mão .................................................................................................................... 16
2.3.11 Varredura de Retina ........................................................................................................... 16
2.3.12 Assinatura ......................................................................................................................... 17
2.3.13 Voz ................................................................................................................................... 17
1. INTRODUÇÃO
A escolha da modalidade que será utilizada para a identificação deve ser tal,
que maximize a relação entre a capacidade de identificar o indivíduo e o custo para
utilizá-la. Nesta etapa, é importante atentar para alguns aspectos teóricos, tais como
universalidade, singularidade, permanência e mensurabilidade, e também aspectos
práticos, como desempenho, aceitabilidade e proteção.
1.2 METODOLOGIA
Para realização desta tarefa, inicialmente, tem-se que capturar a imagem da face
do indivíduo por meio de uma web cam. Posteriormente, realiza-se o pré-
processamento, aplicando filtros de imagem para tornar a imagem capturada mais
adequada ao modelo. Esta etapa estará presente na fase de treinamento do algoritmo, e
também na fase de reconhecimento para que os ruídos sejam minimizados e as imagens
tornem-se o mais similar possível.
Na fase do reconhecimento, captura-se a imagem de entrada, realiza-se a
detecção da face do indivíduo, extraindo as features e comparando-as com a base de
dados, como ilustrado na Figura 1.1, resultando em uma massa de dados de imagens
reconhecidas ou não. A partir dos dados de reconhecimento, pode-se fazer uma análise,
validando ou não o modelo. Para este fim, utilizaram-se os métodos holísticos,
considerados por Jenkins [22], Tan [33] e Yang, Ahuja e Kriegman [40], as técnicas
mais bem sucedidas, ou seja, técnicas que buscam aproximar-se do método humano de
reconhecimento, que realiza o reconhecimento por comparação. A técnica mais utilizada
na atualidade é a Eigenface, que utiliza a combinação de álgebra linear e modelos
estatísticos para gerar um espaço de faces, posteriormente, comparando com outras
faces.
3
1.3 MOTIVAÇÃO
2 SISTEMAS BIOMÉTRICOS
2.1 INTRODUÇÃO
2.2 BIOMETRIA
A palavra biometria deriva das palavras gregas bios (vida) e metrikos (medida).
É uma ciência que estuda o uso das características físicas e comportamentais dos seres
vivos para identificá-los e/ou reconhecê-los. As informações biométricas como altura,
cor dos olhos, simetria da face, dentre outras, são maneiras de quantificar as
características de determinado indivíduo e assim descrevê-lo.
2.3.1 DNA
Figura 2.2: Coleta de saliva. Processo pode ser invasivo e indivíduo pode recusar fazer [15].
A tecnologia não é invasiva, pois a análise é feita sem contato físico direto com
a superfície do dispositivo de varredura. Está comercialmente disponível em terminais
de auto-atendimento bancário (Figura 2.3).
2.3.4 Orelha
A impressão digital é uma das mais populares e também uma das mais antigas
modalidades biométricas [19]. Apresenta características únicas em cada indivíduo e
imutabilidade durante toda a vida. É comumente utilizada para identificação de seres
humanos e amplamente explorada no desenvolvimento de sistemas biométricos [32],
[34]. Diversos governos utilizam está modalidade para identificação e comprovação de
identidade do indivíduo, e esta modalidade vem mostrando resultados aceitáveis no
reconhecimento e identificação de pessoas [26].
Figura2.5: (a) Imagem binária de uma impressão digital; (b) Uma impressão digital após a
identificação das minúcias [2].
Devido ao seu baixo custo, é uma técnica acessível para um grande número de
aplicações. Suas limitações são provocadas por fatores de envelhecimento e rugosidade
da pele e sujeira no leitor digital. A maior desvantagem destes sistemas está na
possibilidade de ser facilmente burlado. Cientistas japoneses conseguiram burlar um
sistema desses servindo-se de métodos fraudulentos [28]. Utilizou-se moldes de
impressões digitais feitas a base de silicone e gelatina caseira e o sistema validou os
moldes como se fossem pessoas. Com esses moldes, os cientistas conseguiram burlar a
segurança do sistema 80% das tentativas realizadas, demonstrando a fragilidade que a
impressão digital pode oferecer aos sistemas biométricos.
Figura 2.7: Amostras das articulações e ângulos observadas durante a caminhada [48].
14
Esforços estão sendo feitos para tornar o reconhecimento de marcha tão preciso
e útil possível, esta tecnologia pode não ser tão fiável quanto à impressão digital ou o
reconhecimento de íris, no entanto prevê-se que sistemas de reconhecimento de marcha
serão lançados em um estado funcional dentro dos próximos cinco anos, e serão usados
em conjunto com outras modalidades como método de identificação e autenticação [49].
Modalidade que detecta padrões de calor gerados pela ramificação dos vasos
sanguíneos emitidos a partir da pele. Estes padrões, denominados termogramas, são
distintos e são capturados por uma câmera infravermelha. A grande vantagem do
método é que, ao contrário de sistemas que dependem de boas condições de iluminação,
os infravermelhos podem reconhecer com pouca luz. Embora os sistemas de
identificação facial com termogramas tenham sido idealizados em 1997, sua pesquisa é
difícil devido aos altos custos envolvidos no processo. A Figura 2.8 ilustra um
termograma facial.
2.3.8 Íris
A íris é um órgão interno do olho de formato anelar que está situada atrás da
córnea e do humor aquoso, entre a esclera (parte mais clara do olho) e a pupila (parte
mais escura do olho). É responsável pela coloração dos olhos, e ajuda a regular a
quantidade de luz que entra no olho.
oitavo mês, embora o crescimento da pigmentação possa continuar nos primeiros anos
após o nascimento [10].
Esta modalidade analisa os padrões que a palma da mão possui que são
similares aos encontrados na impressão digital. Considerando que a área da mão e maior
que a área do dedo humano, espera-se que o reconhecimento seja melhor, já que o
sistema teria mais dados para comparar. Em um scanner de alta resolução, todas as
características da palma da mão, como a geometria, cume e vale, linhas principais e
rugas podem ser observadas, criando um sistema de verificação com precisão aceitável.
2.3.12 Assinatura
2.3.13 Voz
Aceitabilidade
Identificador
Permanência
Desempenho
Mensuração
Biométrico
Distinção
Fraude
DNA Alta Alta Alta Baixa Alta Baixa Baixa
Orelha Média Média Média Média Média Alta Média
Termograma da Alta Alta Baixa Alta Média Alta Baixa
Face
Impressão Média Alta Alta Média Alta Média Média
Digital
Marcha Média Baixa Baixa Alta Baixa Alta Média
Geometria da Média Média Média Alta Média Média Média
Mão
Veias da Mão Média Média Média Média Média Média Baixa
Íris Alta Alta Alta Média Alta Baixa Baixa
Teclar Baixa Baixa Baixa Média Baixa Média Média
Odor Alta Alta Alta Baixa Baixa Média Baixa
Impressão da Média Alta Alta Média Média Média Média
Mão
Retina Alta Alta Média Baixa Média Média Média
Assinatura Baixa Baixa Baixa Alta Baixa Alta Alta
Voz Média Baixa Baixa Média Baixa Alta Alta
Face Alta Baixa Média Alta Baixa Alta Alta
20
3.1 INTRODUÇÃO
3.2 CARACTERÍSTICAS
Figura 3.1: Imagem frontal - Pontos que podem ser analisados no reconhecimento de faces [2].
3.4 PRÉ-PROCESSAMENTO
Para obter apenas a região interna da face, foi aplicada uma máscara nas
imagens de face, eliminando o cabelo e o fundo da imagem. Também foi feita a
conversão da imagem colorida para escala cinza. Esta conversão não é única, existem
ponderações diferentes para a realização desta tarefa. A função utilizada para esta
conversão neste trabalho foi a “cvCvtColor”.
Figura 3.2: Face Interna: Imagem filtrada para extração somente da face interna na imagem
capturada; Escala cinza: Imagem convertida em escala cinza; Equalizada; Imagem com o
histograma equalizado.
2
Parâmetros para a ampliação e dizimação foram “CV_INTER_LINEAR” e “CV_INTER_AREA”,
respectivamente.
25
F
r
e
q
u
ê
n
c
i
a
Intensidade de brilho
Figura 3.3: Histograma da imagem em escala cinza.
F
r
e
q
u
ê
n
c
i
a
Intensidade de brilho
Figura 3.4: Histograma equalizado da imagem.
decompondo-a. Com esses dados coletados é possível iniciar comparações com a base
de dados previamente montada, calculando a distância euclidiana entre as imagens.
Variável do Variável do
espaço Y espaço Y
Variável do Variável do
espaço Y espaço Y
Figura 3.5: (a) Componente principal que representa uma direção eficiente para representar os
dados; (b) Componente principal não representa a direção mais eficiente para representar os
dados.
Pressupostos:
= ∑ Γ (3.2)
4. Subtrair a face média de cada vetor de face de entrada Γi, para obter
um conjunto de vetores Φi :
3
Conjunto de faces de treinamento é formado por imagens de faces de indivíduos, capturadas por uma
web cam.
29
Φi = Γi – (3.3)
C = AAT, (3.4)
6. Calcular os autovetores ui de C:
Ao invés de considerar AAT que tem dimensão N2xN2, o qual
resultaria em N2 autovetores com dimensão N2, foi considerada
ATA, pois a dimensão de A é N2 xM, portanto ATA é uma matriz
MxM. Encontrando os autovetores da matriz ATA, foi obtido M
autovetores com dimensão Mx1.
( ) = (3.5)
Φi = ∑ , (3.10)
= ⋮ (3.11)
30
Fase do reconhecimento:
Φt = Γt – (3.12)
= Φt i = 1,2,...,k. (3.13)
= ⋮ (3.14)
= ∑ − (3.15)
Figura 3.6: Imagem média utilizada para projetar as imagens de entrada no novo espaço.
31
4 TESTES E RESULTADOS
Figura 4.1: Face localizada próximo a câmera, longe da câmera e com um acessório em um
ambiente com menor luminosidade.
No primeiro teste foi utilizada uma base de dados com 409 imagens de face de
9 indivíduos. Nesse teste, o número de imagens de treino foi variado e, posteriormente,
o sistema foi testado com as 409 imagens da base de dados. As imagens utilizadas para
treinamento eram diferentes das imagens com as quais foram realizados os testes. O
objetivo deste teste é verificar a implicação da variação do número de imagens de cada
indivíduo na fase de treinamento na etapa de reconhecimento e buscar encontrar a
quantidade de imagens adequada de treinamento para obter uma taxa de erro aceitável
no reconhecimento. A Tabela 4.1 mostra as taxas de acerto do sistema na fase de
reconhecimento em função do número de imagens de face utilizadas na fase de
treinamento.
No segundo teste foi utilizada uma base de dados com 409 imagens de face de
9 indivíduos sendo que 5 faziam parte da base de treinamento e 4 não faziam. Nesse
teste, o sistema foi treinado com 4 imagens de face de 5 indivíduos e, posteriormente, o
sistema foi testado com as 409 imagens da base de dados de 9 indivíduos. As imagens
utilizadas para treinamento eram diferentes das imagens com as quais foram realizados
os testes. O objetivo deste teste é verificar se o sistema reconheceria um indivíduo, não
pertencente à base de dados treinada.
O sistema não reconhece nenhum indivíduo que não faça parte da base
de dados.
O sistema tem percentagem de acerto de 97% de reconhecimento dos
indivíduos que fazem parte da base de treinamento.
Figura 4.3: Indivíduo que faz parte do banco de dados e foi identificado e indivíduo que não faz
parte e não foi identificado.
5.1 CONCLUSÃO
No sistema online foi realizada uma avaliação qualitativa, a qual mostrou que o
sistema funciona de maneira aceitável quando o sistema tenta reconhecer o indivíduo no
mesmo cenário e com poses similares as que foram capturadas as imagens para
treinamento. No entanto, quando o sistema tenta reconhecer em um cenário diferente do
que foi capturada a imagem e com poses diferentes, o sistema erra, aceitando um
indivíduo como outro e até mesmo, em alguns momentos, indivíduos que não faziam
parte do banco de dados.
39
A partir dos objetivos desse trabalho, vários outros estudos podem ser
realizados visando sua complementação. A seguir são apresentadas algumas sugestões
de tópicos que podem ser abordados em estudos futuros:
REFERÊNCIAS BIBLIOGRÁFICAS
[1] ACHARYA, T.; RAY, A. K. Image Processing - Principles and Applications. John
Wiley & Sons, Inc., Hoboken, New Jersey, 2005.
[4] BOLES, W. W. (1997). A Security System Based on Human Iris Using Wavelet
Transform, International Conference on Knowledge-Basic Intelligent Eletronics
System, Vol. 2, pages 533-541.
[5] BRADSKI, G.; KEAHLER, A. OpenCV - Computer Vision with the OpenCV
Library. [S.l.]: O'Reilly Media Inc., 2008.
[6] BURGE, M.; BURGER, W. Ear Biometrics. Johannes Kepler University, Linz,
Austria.
[7] CHICHIZOLA, F.; GIUSTI, L. D.; GIUSTI, A. D.; NAIOUF, M. Face recognition:
reduced image eigenfaces method. In: Proc. 47th International Symposium ELMAR.
[S.l.: s.n.], p. 159-162, 2005.
[8] Curso de Práticas Periciais com Termografia Infravermelha, Brasil Forense, 2008.
[11] DAUGMAN, John. (2002). How Iris Recognition Works. International Conference
on Image Processing, vol. 1, pages 33-36
[13] EL-BAKRY, H. M.; HAMADA, M. Fast principal component analysis for face
detection using cross-correlation and image decomposition. In: Proc. International Joint
Conference on Neural Networks IJCNN 2009. [S.l.: s.n.], p. 751-756, 2009.
[17] HILL, R.B. Apparatus and method for identifying individuals through their retinal
vasculature patterns. US Patent No. 410937, 1978.
[18] HJELMAS ERIK; LOW, B. K. Face detection: Asurvey. Computer Vision and
Image Undertanding, v. 83', n. 83, p. 236-274, 2001.
[24] LIU, N.; WANG, H.; YAU, W.-Y. Face recognition with weighted kernel principal
component analysis. In: Proc. 9th International Conference on Control, Automation,
Robotics and Vision ICARCV '06. [S.l.: s.n.], 2006. p. 1-5.
[25] MA, L.; TAN, T.; WANG, Y.; ZHANG, D. Personal identification based on iris
texture analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence,
25(12):1519-1533, 2003.
[26] MAIO, D.; MALTONI, D.; CAPPELLI, R.; WAYMAN, J. L.; JAIN, A. K.
Fvc2002: Fingerprint veri_cation competition. Proc. International Conference on
Pattern Recognition (ICPR), p. 744-747, Agosto 2002. Quebec City, Canada.
42
[27] MARINO, C.; PENEDO, M. G.; PENAS, M.; CARREIRA, M. J.; GONZALEZ, F.
Personal authentication using digital retinal images. PATTERN ANALYSIS &
APPLICATIONS, 2006.
[29] MONWAR, M. M.; PAUL, P. P.; ISLAM, M. W.; REZAEI, S. A real-time face
recognition approach from video sequence using skin color model and eigenface
method. p. 218l1-2185, maio, 2006.
[32] SUJAN, V.A.; MULQUEEN, M.P. Fingerprint identification using space invariant
transforms. Published in: Journal Pattern Recognition Letters archive, Volume 23, Issue
5, Elsevier Science Inc. New York, NY, USA, March 2002.
[33] TAN, X.; SONGCAN, C.; ZHI-HUA, Z.; FUYAN, Z. Face recognition from a
single image per person: A survey. PATTERN RECOGNITION, The Journal of the
pattern recognition society, v. 39, n. 39, p. 1725-1745, 2006.
[35] VIOLA, P.; JONES, M. J. Robust real-time face detection. International Journal of
Computer Vision, v.2, n. 57, p.137-154, 2004.
[36] WAN, V.; CAMPBELL, W. M. Support vector machines for speaker verification
and identification. In Proccedings of the IEEE Signal Processing Society Workshop on
Neural Networks for Signal Processing X, 2000, volume 2, p.775-784, 2000.
[38] WILDES, R. et. al. (1996). A Machine-vision System for Iris Recognition,
Machine Vision and Applications, vol.9, pp.1-8
[40] YANG, M.-H.; AHUJA, N.; KRIEGMAN, D. Face recognition using kernel
eigenfaces. In: Proc. International Conference on Image Processing. [S.l.: s.n.], v. 1, p.
37-40, 2000.
[41] ZHAO, L.; ZHUANG, G.; XU, X. Facial expression recognition based on pca and
nmf. In: Proc. 7th World Congress on Intelligent Control and Automation WCICA
2008. [S.l.: s.n.], p. 6826-6829, 2009.
[42] ZHAO, W.; CHELLAPPA, R.; PHILLIPS, P.; A., R. Face recognition: A literature
survey. ACM Computing Surveys, v. 35, n. 4, p. 399-458, Dezembro 2003.
[43] http://acessoeponto.mixlog.com.br/artigo/leitor-biometrico-de-impressao-digital/,
Acesso em 11/2011.
[46]http://repositorium.sdum.uminho.pt/bitstream/1822/3283/1/TESE%20DE%20MES
TRADO.pdf Acessado em 11/2011.
[47]http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0004-
27492007000100031&lng=pt&nrm=iso#fig1 Acessado 11/2011.
[48]http://www.ee.oulu.fi/~gyzhao/research/gait_recognition.htm, Acessado em
11/2011.