Detecção do mal-posicionamento rotacional de dedos em dispositivos de captura de impressões digitais multivista sem toque utilizando redes neurais artificiais

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2016.

Este trabalho apresenta um método baseado em Redes Neurais Artificiais que avalia o malposicionamento dos dedos devido à rotação em dispositivos de aquisição de impressões digitais multivista sem toque. O objetivo é determinar se o dedo está rotacionado ou não, uma vez que o adequado posicionamento do dedo é mandatório para garantir altas taxas de correspondência entre impressões digitais. Um conjunto de teste de 9000 imagens adquiridas foi utilizado para treinar, validar e testar um conjunto de classificadores baseados em redes neurais artificiais multicamadas. Até o momento, não existe um método definitivo que abordou o problema da qualidade de impressões digitais em dispositivos de captura que utilizem a tecnologia multivista sem toque, e a detecção da rotação de dedos apresentada neste trabalho é um dos passos que devem ser levados em conta se um futuro método automático para avaliação da qualidade de impressões digitais for considerado. Os resultados médios, mostram que: o classificador identifica corretamente o mal-posicionamento em aproximadamente 98,50% dos casos; e quando o mal-posicionamento é detectado, o ângulo de rotação é corretamente estimado em 95,25% dos casos. _______________________________________________________________________________________________ ABSTRACT

This work presents a method based on Artificial Neural Network that evaluates the rotational bad-positioning of fingers on touchless multiview fingerprinting devices. The objective is to determine whether the finger is rotated or not, since a proper positioning of the finger is mandatory for high fingerprint matching rates. A test set of 9000 acquired images has being used to train, validate and test a set of multilayer Artificial Neural Network classifiers. To our knowledge, there is no definitive method that addressed the problem of fingerprint quality on touchless multiview scanners. The proposed finger rotation detection here presented is one of the steps that must be taken into account if a future automatic image quality assessment method is to be considered. Average results show that: our classifier correctly identifies bad-positioning in approximately 98.50% of cases; and if bad-positioning is detected, the rotation angle is correctly estimated in 95.25% evaluations.