REDES NEURAIS ARTIFICIAIS: uma
aplicação do tipo perceptron multilayer
na identificação de impressões digitais
Acadêmico: José Mário Pereira Dantas
Orientador: Prof. M.Sc. Valmir Saraiva
Banca: Prof. M.Sc. Laura Costa Sarkis
Prof. M.Sc. Haroldo Alexandre de Araújo
Semestre: 2003-II
1
Organização do trabalho
Introdução
 Datiloscopia
 Redes Neurais Artificiais
 Estudo de Caso
 Resultados Obtidos
 Conclusão e Trabalhos Futuros

2
Introdução

As RNAs são concebidas para trabalharem
segundo processos parecidos com os de um
sistema
nervoso,
com
esquemas
de
aprendizagem obtidos através de modelos
matemáticos que possuem funções de entrada,
processamento e saída. As RNA têm sua
funcionalidade
comprovada
e
são
extensivamente utilizadas em várias aplicações
que requerem decisões a partir de dados
confusos, principalmente as de classificação
(Tafner, 1995 Apud GUMZ, 2002).
3
Motivação

Grande número de aplicações que
necessitam de confiabilidade e velocidade
de identificação das informações.
4
Objetivos

Geral: realizar um estudo acerca dos
procedimentos para o desenvolvimento de
uma
rede
neural
artificial
para
identificação de indivíduos através de
imagens de suas impressões digitais.
5
Objetivos

Específicos:




Estudar a datiloscopia;
Construir uma arquitetura de rede neural artificial,
com base na imagem da impressão digital;
Realizar o treinamento da rede neural artificial
construída;
Implementar e testar essa arquitetura na identificação
das impressões digitais.
6
Datiloscopia

Conceito: é a ciência que estuda as
impressões digitais com a finalidade de
realizar identificação (BARSA, 1994, p.175).
7
Datiloscopia

Área de aplicação:
Forense;
 Governamental;
 Comercial.

8
Datiloscopia

Vantagens:
extremamente eficiente;
 de baixo custo;
 de aplicação potencialmente universal.

9
Processo de identificação de
Impressões Digitais Manual
Verificação da Classificação;
 Análise de minúcias;
 Comparação com outras n impressões
Digitais

10
Classificação (Sistema Henry)





Arco Plano
Arco Angular
Presilha Interna
Presilha Externa
Verticilo
11
Tipos de Minúcias
Crista Final
Crista Bifurcada
12
Comparação de Minúcias

A comparação busca:
Coincidência de tipos Minúcias;
 Coincidência de Posições.

13
Datiloscopia e Redes Neurais
Artificiais
A datiloscopia fornece conceitos que
devem ser utilizadas no processo de
identificação de impressões digitais
através de RNAs.
 Para este trabalho o conceito mais
importante é o de região nuclear, onde
existe o maior número de minúcias.

14
Redes Neurais Artificiais

O que são?
As Redes Neurais Artificiais são métodos de
Inteligência Artificial que possuem a capacidade
de se adaptar e de aprender a realizar uma certa
tarefa, ou comportamento, através de um
conjunto de treinamentos. (OSÓRIO, 2000, p.2).
15
Características do Modelo Neural




São construídos, não programados;
Geram seu próprio conhecimento, ou seja,
aprendem;
Oferecem soluções aproximadas, não exatas;
Generalizam o conhecimento apreendido.
16
Áreas de aplicação
Automação Industrial;
 Automação Comercial;
 Segurança de Acesso – Verificação do
Operador;
 Mercado Financeiro.

17
Redes Neurais Artificiais

Vantagens
Robustez;
 Generalização;
 Paralelismo;
 Tolerância ao ruído.

18
Funcionamento de uma RNA
n: número de sinais de entrada;
 wi: peso do sinal de entrada xi;
 : limiar ou threshold do neurônio (ou
simplesmente valor de ativação).

19
Funcionamento de uma RNA (cont.)

Perceptron com uma camada intermediária
20
Treinamento de RNAs

Algoritmo Back-propagation
21
Identificação de Impressões
Digitais através de RNA




Pré-processamento das imagens das
impressões digitais;
Entrada e processamento pela RNA;
Verificação dos resultados;
Localização no Banco de Dados.
22
Estudo de Caso

Implementação de uma aplicação de
Redes Neurais Artificiais do tipo
Perceptron Multlayer com o objetivo de
realizar a identificação de pessoas por
meio de impressões digitais.
23
Arquitetura da RNA
24
Recursos utilizados
Software: Borland Delphi 7.0, SFINGE,
Paradox, Windows XP;
 Componentes Especiais: TMLP, Imaging
ToolKit for Delphi;
 Hardware: computador com processador
Pentium 4 com 2.5Ghz de velocidade e
448 mb de memória RAM.
 Humanos: apenas uma pessoa teve
participação neste trabalho.

25
Resultados Obtidos





A rede neural foi treinada com 70 amostras de
impressões digitais de 10 pseudopessoas;
O treinamento foi executado em 100 épocas, sua
duração foi de 15 minutos e 23 segundos e taxa de
erro geral foi de 0,01545637;
Tempo de carga do arquivo de conhecimento foi de
cerca de 9 segundos;
O teste com as 70 amostras de impressões digitais
do treinamento levou cerca de 13 segundos;
Probabilidade média de acerto geral foi de 93%
durante o teste;
26
Resultados Obtidos (Cont.)


O teste com a segunda amostra de impressões
digitais também foi satisfatório, levou o mesmo
tempo do teste anterior e a rede neural também
classificou corretamente as 70 amostras de
impressões digitais, sendo que a probabilidade
média de acerto geral foi de 86%;
Também foram feitos 10 testes com amostras
de impressões digitais separadamente, a fim de
quantificar o tempo médio de identificação de
uma pseudopessoa, neste teste conseguiu-se
um tempo aproximado de 108,8677 ms.
27
Conclusão

O objetivo principal deste trabalho foi
alcançado, uma vez que, foi feito um estudo
da datiloscopia, construída uma arquitetura
de Rede Neural Artificial com base na
imagem da impressão digital, realizado o
treinamento da Rede Neural Artificial
construída, implementado e testado essa
arquitetura na identificação das impressões
digitais.
28
Trabalhos Futuros




Classificar as impressões digitais conforme
explicado no capitulo 3 e utilizá-las como padrão de
entrada para diminuir a taxa de erro.
Estudo de métodos para extração de minúcias,
sejam matemáticos, estatísticos ou estruturais;
Reconhecimento automático de núcleo e delta;
Reconhecido o núcleo ou delta, deverá ser feita, se
necessário, rotação ou translação da imagem da
impressão digital no momento de sua obtenção
para que esta fique na posição ideal para
identificação.
29
Trabalhos Futuros (Cont.)



Estudo de novos modelos de redes neurais a
fim de atender com maior eficácia as
necessidades propostas inicialmente neste
trabalho, assim como sua implementação.
Combinar redes neurais artificiais com outros
métodos de identificação, como os vistos em
Mesquita da Conta (2003).
Sugere-se ainda o treinamento com um número
maior de impressões digitais e com impressões
digitais mais ruidosas.
30