Abstract:
A biometria vem sendo aplicada como forma de identificação há muito tempo. Ela é utilizada
em muitos casos quando há a necessidade de se identificar e autenticar usuários, principalmente
por possuir características que proporcionam um nível maior de segurança. A impressão digital é
o tipo mais comum de biometria utilizado, devido à sua facilidade de coleta e grande aceitação
pública. Por esta razão os Sistemas Biométricos baseados na Impressão Digital tem se tornado tão
populares e comuns no dia a dia, estando presentes inclusive nos smartphones atuais. Contudo, há
a probabilidade desses Sistemas Biométricos identificarem incorretamente seus usuários, o que
pode causar brechas de segurança, afetando o seu nível de confiabilidade. Com isso, buscaram-se
formas de melhorar o acerto desses sistemas. É perceptível que a Inteligência Artificial (IA) tem
demonstrado uma capacidade notável de melhorar processos em diversas áreas. A IA dispõe de
muitas técnicas e algoritmos que são capazes de desenvolver um aprendizado em cima de dados
de treinamento passados a eles. Esses algoritmos são capazes de assimilar um conhecimento
sobre a maneira de classificar dados semelhantes. Por essa razão, foram escolhidas as Redes
Neurais Artificiais (RNA) para terem o seu desempenho no processo de identificação biométrica
avaliado e fosse feita uma verificação de como estas se comportam em relação aos erros de
classificação. Utilizamos bases de dados de imagens de Impressões Digitais para compor os
conjuntos de dados (datasets) que foram usados para testar a eficiência da RNA. Para gerar
os datasets, foi necessário aplicar técnicas de Tratamento de Imagem, onde fizemos uso da
biblioteca OpenCV para implementar as etapas de Equalização, Binarização e Afinamento. A
extração das informações relevantes das impressões digitais (minúcias) foi realizada através
do algoritmo Crossing Number que identificou e marcou as minúcias do tipo Bifurcação e
Final de Crista. Ao fim do processo de Extração, foram filtradas as minúcias falsas e gerado o
Template que representa cada Impressão Digital, sendo possível então montar os datasets que
foram testados na RNA com auxílio da ferramenta WEKA. Assim, para um conjunto de dados
composto de 80 instâncias, sendo 10 indivíduos e 8 amostras da impressão digital de cada um
deles, obtivemos o melhor resultado por meio da técnica Percentage Split, que divide o dataset
em um conjunto de treino e um conjunto de teste segundo uma porcentagem definida (60% para
treino e 40% para teste, nesse caso). Desta forma foi possível reavaliar o modelo gerado pelo
conjunto de treinamento utilizando o conjunto de teste. Assim, tivemos como resultado uma taxa
de acerto de 97,5% e uma taxa de Falso Positivo de apenas 0,3%.
