A+A-Acessibilidade
EnglishPortuguese
Buscar
24 Fev
09:30 Defesa de Mestrado Auditório do IC3
Tema
Extração de Minúcias em Imagens de Impressões Digitais sem Contato Usando Redes Convolucionais Profundas
Aluno
Anderson Nogueira Cotrim
Orientador / Docente
Hélio Pedrini
Breve resumo
A área de identificação por impressões digitais sem contato tem demonstrado ser uma tendência nos últimos anos. Uma vantagem dessa categoria de aquisição quando comparada com a captura de imagens com contato é a alta aceitação por parte dos usuários, por ser uma técnica pouca invasiva e que, neste período de pandemia, evita o uso de uma superfície tocada por outras pessoas. Entretanto, essa área possui vários desafios associados. Sensores com contato geralmente ainda produzem uma maior eficácia biométrica, pois as minúcias estão mais destacadas devido ao alto contraste entre as cristas e os vales. Por outro lado, imagens sem contato normalmente possuem pouco contraste, fazendo com que métodos falhem com minúcias espúrias ou indetectáveis, característica que demonstra a necessidade de mais estudos na área. Neste trabalho, investigamos o uso de algoritmos de aprendizado de máquina profundo, dado o seu sucesso e o histórico de aplicabilidade deste tipo de abordagem em outros tópicos de pesquisa. Considerando essas informações, propomos um método para extração de minúcias utilizando redes neurais convolucionais. Desenvolvemos e comparamos duas arquiteturas para extração de minúcias: a WSMS-CNet, uma abordagem baseada em patches que faz uso de compartilhamento em dois estágios para uma melhor robustez multiescala, e a ResUSENet, uma arquitetura para predição através de processamento único baseada no formato U e se beneficia de skip-connections e camadas de squeeze-and-excitation. Além do estudo comparativo entre ambas arquiteturas, propomos um método de aumentação de dados de forma a evitar a presença de artefatos e reduzir o efeito de sobreajuste. Também desenvolvemos um algoritmo para extração de minúcias a partir de um mapa de probabilidade produzida pelas redes. As bases de dados utilizadas neste trabalho foram adquiridas da literatura. Para treinamento, foram utilizados os conjunto de dados FVC 2002 DB1A/DB3A, FVC 2004 DB1A/DB3A e CFPose. Para validação, foram utilizadas os conjuntos de dados CFPose, Benchmark 2D/3D e PolyU Cross. Por fim, os resultados mostraram que nosso método é competitivo em comparação com as abordagens do estado da arte e a ferramenta comercial Verfinger.
Banca examinadora
Titulares:
Hélio Pedrini IC/UNICAMP
Pascual Jovino Figueroa Rivero Griaule S.A.
Marco Antonio Garcia de Carvalho FT/UNICAMP
Suplentes:
André Santanchè IC/UNICAMP
David Menotti Gomes DInf/UFPR