Proposta de uma metodologia para detecção de impressões digitais falsas usando combinação e seleção dinâmica de classificadores

• Ano de defesa: 2015
• Autor(a) principal: NASCIMENTO, André Hermenegildo do
• Orientador(a): CAVALCANTI, George Darmiton da Cunha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Inteligência artificial; Impressões digitais; Aprendizado do computador
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/14231

As impressões digitais têm sido amplamente utilizadas como forma de autenticação de um indivíduo. Os padrões gerados pelas saliências das pontas dos dedos são usados para diferenciar uma pessoa da outra. Esses padrões vêm ao longo de anos apresentando-se como meio confiável de identificação pessoal, mesmo no caso de gêmeos idênticos as impressões digitais apresentamse diferentes. Entretanto estudos comprovam que é possível construir impressões digitais sintéticas com cópia das saliências utilizadas para identificar um usuário, permitindo o uso de forma fraudulenta de sistemas e serviços. Diante do perigo de fraude, várias técnicas vêm sendo desenvolvidas visando identificar se uma impressão digital corresponde ou não a uma impressão verdadeira (“impressão digital viva”). As técnicas de detecção de impressões digitais são divididas nas baseadas em hardware e nas baseadas em software que apresentam maior flexibilidade e menor custo de atualização dos dispositivos comercializados. O presente trabalho tem por objetivo apresentar uma técnica, baseada em software, que garanta mais segurança aos sistemas que se utilizam desta biometria, conseguindo identificar se uma impressão digital é falsa ou não. Para isto, é proposta uma arquitetura de geração, combinação e seleção dinâmica de classificadores para detecção de impressão digital falsa. A metodologia proposta é composta de 4 (quatro) módulos: módulo de Agrupamentos de Dados, módulo de Geração de Classificadores, módulo de Seleção Dinâmica de Classificadores, e o módulo de Combinação de Classificadores. Esses módulos estão organizados em 2 (duas) fases: treinamento e teste. Na fase de treinamento, as imagens das digitais são divididas em grupos, cada grupo contém os elementos que apresentam similaridade entre si. Esses grupos são utilizados para a criação dos classificadores especialistas. Na fase de teste é realizada a seleção dinâmica e a combinação dos classificadores obtidos, de modo a classificar um determinado padrão de entrada. A arquitetura proposta foi validada em 11 (onze) bases de dados pertencentes à competição LivDet (Liveness Detection Competition). Cada base foi analisada em 1.452 cenários diferentes, de modo a avaliar os parâmetros da arquitetura, sendo realizados um total de 15.972 experimentos. Os experimentos mostraram que os resultados obtidos com o uso da arquitetura proposta são bastante promissores, conseguindo superar o desempenho dos classificadores bases para todas as 11 bases de dados analisadas. Para uma das bases foi possível alcançar uma detecção com performance 68,10% superior ao se utilizar o classificador sem a etapa de combinação. Em média, os resultados obtidos apresentaram uma performance superior de 39,98% em relação a abordagem tradicional (sem a etapa de combinação).