Professional Documents
Culture Documents
Apresentação Projeto Final - Jânio Anselmo
Apresentação Projeto Final - Jânio Anselmo
Definição do Problema
Objetivos
Justificativa
Fundamentação Teórica
Etapas do Desenvolvimento
Resultados
Conclusões
Jânio Anselmo
16 de dezembro de 2011
Sumário
1 Introdução
2 Definição do Problema
3 Objetivos
4 Justificativa
5 Fundamentação Teórica
6 Etapas do Desenvolvimento
7 Resultados
8 Conclusões
Introdução
Introdução
Aplicações biométricas
Caracterı́sticas fisiológicas:
Impressões digitais e geometria palmar;
Reconhecimento de face e identificação da ı́ris.
Aplicações biométricas
Caracterı́sticas fisiológicas:
Impressões digitais e geometria palmar;
Reconhecimento de face e identificação da ı́ris.
Caracterı́sticas de procedimento:
Reconhecimento de voz e assinatura;
Reconhecimento dinâmico da digitação.
Classificação
A classificação baseada na relação entre as posições dos pontos
singulares:
∩ ∪ - Core
∆ - Delta
Padrão Arco
É caracterizado pela ausência de pontos singulares
Padrão Presilha
Caracteriza-se por conter um ponto de core e/ou um ponto de
delta
Padrão Verticilo
Possui linhas entrando em um lado do dedo, espiralando
interiormente e terminando no centro.
Identificação
Minúcias
Minúcias: Tem a finalidade de estabelecer a unicidade das
impressões digitais.
Minúcias
Minúcias: Tem a finalidade de estabelecer a unicidade das
impressões digitais.
Mapas Direcionais
Mapas Direcionais: Representar as cristas da impressão digital sem
a presença de ruı́dos.
Mapas Direcionais
Mapas Direcionais: Representar as cristas da impressão digital sem
a presença de ruı́dos.
Definição do Problema
Objetivos
Justificativa
Transformada Wavelet
Transformada Contı́nua
∞
t −b
Z
1
CWT (b, a) = √ f (t)ψ ∗ dt
a −∞ a
Transformada Discreta
∞
t − kb0 a0 −j
Z
1
DWT (j, k) = p f (t)ψ dt
a0 −j −∞ a0 −j
Wavelet de Haar
A wavelet de Haar é matematicamente definida como:
1
1, para x ∈ 0, 2
ψ(x) = −1, para x ∈ 21 , 1
0, caso contrário
Exemplo de Decomposição
Exemplo de Decomposição
Leitor Biométrico
® ®
Para aquisição de captura de imagens fabricante
digitalPersona , modelo U.are.U 4000B
Captura da imagem através da leitura óptica, codifica os
dados da imagem antes de enviar para porta USB
Driver de Conexão
Pré-Processamento
Normalização
Estimativa de Orientação
Campo de orientação de uma impressão digital define a
orientação local das cristas contidas na impressão digital;
Passo fundamental no processo de realce (objetivo do
pré-processamento).
Filtro de Gabor
1 xθ2 yθ2
G(x,y ;θ,f ) = exp − + cos(2πfxθ )
2 σx2 σy2
Imagem Realçada
Afinamento
Imagem Rotacionada
fix( N2 ) fix( N2 )
X X
V(v ,m) = | θref (m + i, n + j) − θent (i, j) | ∀ m, n ∈ N
N N
i=-fix( 2 ) j=-fix( )
2
p0 p1 p2
p7 px p3
p6 p5 p4
®
Leitor Biométrico Ensaios Tempo Médio Salvar Travou?!
U.are.U 4000B 250 5ms 1.2s Não
Banco de Dados
Banco de Dados
Banco de Dados
Etapa de Classificação
50 ensaios;
Alguns padrões com baixo percentual de classificação;
Área efetiva do leitor utilizado - 14.6mm x 18.1mm;
Necessário um leitor rolled acquisition.
Etapa de Classificação
50 ensaios;
Alguns padrões com baixo percentual de classificação;
Área efetiva do leitor utilizado - 14.6mm x 18.1mm;
Necessário um leitor rolled acquisition.
Elementos Acertos
Padrão Arco 100%
Etapa de Classificação
50 ensaios;
Alguns padrões com baixo percentual de classificação;
Área efetiva do leitor utilizado - 14.6mm x 18.1mm;
Necessário um leitor rolled acquisition.
Elementos Acertos
Padrão Arco 100%
Padrão Presilha 36%
Etapa de Classificação
50 ensaios;
Alguns padrões com baixo percentual de classificação;
Área efetiva do leitor utilizado - 14.6mm x 18.1mm;
Necessário um leitor rolled acquisition.
Elementos Acertos
Padrão Arco 100%
Padrão Presilha 36%
Padrão Verticilo –
50 ensaios;
Satisfatório percentual de identificação;
Fazendo-se necessário etapas de pré-processamento;
Percentual encontrado em conformidade com outros autores.
50 ensaios;
Satisfatório percentual de identificação;
Fazendo-se necessário etapas de pré-processamento;
Percentual encontrado em conformidade com outros autores.
50 ensaios;
Satisfatório percentual de identificação;
Fazendo-se necessário etapas de pré-processamento;
Percentual encontrado em conformidade com outros autores.
Conclusões
Trabalhos Futuros
©
Desenvolver um driver de integração diretamente com o
Matlab
Integração com leitor biométrico capaz de coletas pontos
singulares;
eNBioScan-D, Nitgen Co., Ltd.
Armazenar imagens em um banco de dados de plataforma
confiável;
mksqlite.
Exportar o algoritmo para outra linguagem de programação
C/C++, Java, VHDL, Verilog.
Bibliografia
B. G. Schunck A. R. Rao.
Computing Oriented Texture Fields, 2 edition
Graphical Models and Image Processing,1991.
J. R. Buck A. V. Oppenheim, R.W. Schafer.
Discrete-Time Signal Processing
Prentice Hall, 1999.
Daubechies.
Ten Lectures on Wavelets
Rutgers University, AT&T Bell Laboratories, 1992.
Bibliografia
E. M. Lobato.
Classificação e identificação de impressões digitais no domı́nio
da transformada wavelet, Master’s thesis
Universidade Federal de Santa Catarina, 2000.
S. Mallat.
Wavelet Tour of Signal Processing
Cambridge, Academic Press, 2001.
F. Kussener.
FingerPrint Application, The MathWorks
http://www.mathworks.com/matlabcentral/
fileexchange/16728-fingerprint-application
Aluno: Jânio Anselmo Trabalho de Conclusão de Curso
Introdução
Definição do Problema
Objetivos
Justificativa
Fundamentação Teórica
Etapas do Desenvolvimento
Resultados
Conclusões
Bibliografia
Figura: Obrigado!