Reconhecimento de íris fake utilizando descritores de momentos de Zernike e classificadores de formas

• Ano de defesa: 2024
• Autor(a) principal: Colares, Geórgio Sá
• Outros Autores: http://lattes.cnpq.br/7774034938074243
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Computação - Matemática; Sistemas de reconhecimento de padrões; ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS; CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: SISTEMAS DE COMPUTACAO: ARQUITETURA DE SISTEMAS DE COMPUTACAO; CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: TEORIA DA COMPUTACAO: ANALISE DE ALGORITMOS E COMPLEXIDADE DE COMPUTACAO; CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: MATEMATICA DA COMPUTACAO: MODELOS ANALITICOS E DE SIMULACAO; CIENCIAS BIOLOGICAS: MORFOLOGIA: ANATOMIA: ANATOMIA HUMANA; Reconhecimento de íris; Momentos de Zernike; Classificadores; Descritores circulares; Ataque de Spoofing
• Link de acesso: https://tede.ufam.edu.br/handle/tede/10662

Sistemas biométricos têm atraído o interesse de pesquisa, devido aos crescentes aperfeiçoamentos de métodos de fraude na autenticação de acesso a estes sistemas. Como uma sugestão de solução à falha de segurança de acesso a estes sistemas, nesta dissertação, desenvolveu-se um sistema de detecção de íris sintéticas utilizando momentos de Zernike como descritor de formas não alinhadas ou circulares. A contribuição deste trabalho está em investigar o desempenho dos momentos de Zernike quando combinados com classificadores de redes neurais artificiais para detecção de imagens de íris sintéticas. Nos experimentos, foram utilizadas bases de dados criadas a partir das combinações realizadas de outras bases de dados disponíveis em estudos na literatura relacionada. Os momentos de Zernike são aplicados localmente como descritores de formas, fornecendo bons resultados quando se utilizam classificadores de redes neurais mais complexos. A avaliação de desempenho do sistema proposto foi realizada para momentos de Zernike combinados com os três tipos diferentes de classificadores: Multilayer Perceptron, Convolutional Neural Network e Residual neural network. Para a combinação Zernike com MLP, teve-se a acurácia de 79%, enquanto que para o caso de combinação de Zernike com CNN e Zernike com ResNet na classificação, obteve-se, respectivamente, valores de 90% e 93% de acurácia.