Redes neurais artificiais no processo de identificação em um sistema biométrico de baixo custo com Hardware livre

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%.