Università degli Studi di Cagliari
Facoltà di Ingegneria
Corso di Laurea in Ingegneria Elettronica
FUSIONE DATI NEI SISTEMI
PER L’IDENTIFICAZIONE PERSONALE
MEDIANTE RICONOSCIMENTO
DI IMPRONTE DIGITALI
Relatori:
Prof. Ing. Fabio Roli
Ing. Gian Luca Marcialis
Tesi di Laurea di:
Paolo Loddo
Anno Accademico 2001-2002
SOMMARIO
Identificazione personale mediante impronte digitali
Il nostro sistema di verifica dell’identità
Piano sperimentale e risultati ottenuti
Conclusioni: bilancio e sviluppi futuri
IDENTIFICAZIONE PERSONALE MEDIANTE
RICONOSCIMENTO DI IMPRONTE DIGITALI
SISTEMA DI VERIFICA BASATO SU IMPRONTE
L’utente dichiara la sua identità e il sistema
conferma
o
smentisce
l’identità
dichiarata,
attraverso il riconoscimento dell’impronta digitale
VANTAGGIO
L’identificazione mediante impronte è più sicura dei
sistemi tradizionali (password, carta magnetica)
perché richiede la presenza fisica della persona che
deve essere identificata
RAPPRESENTAZIONE DELLE IMPRONTE PER
LA VERIFICA DELL’IDENTITÀ
Basata su “MINUTIAE”
Basata sulla “TESSITURA”
Analisi della struttura
locale delle “creste”:
“terminazioni”
“biforcazioni”
Analisi del pattern delle
“creste”
SCHEMA DI UN SISTEMA DI VERIFICA
ELABORAZIONE
IMMAGINE
ESTRAZIONE
FEATURE
REGISTRAZIONE
(off-line)
DATABASE
DEI TEMPLATE
User ID
ELABORAZIONE
IMMAGINE
VERIFICA
(on-line)
ESTRAZIONE
FEATURE
MATCHING
SCORE
Accettato
SI
>SOGLIA
NO
Respinto
PROBABILITÀ DI ERRORE PER UN SISTEMA
DI VERIFICA
ERRORI DI MATCHING
Due tipi di errore al variare della soglia:
si accettano utenti non autorizzati (“impostori”)
si respingono utenti autorizzati (“genuini”)
LIMITI DEI SINGOLI MATCHER
Un sistema di verifica basato su un singolo matcher
non garantisce ancora una probabilità di errore
sufficientemente
bassa,
a
causa
della
sovrapposizione delle distribuzioni
FUSIONE DI MATCHER PER LA VERIFICA
OBIETTIVO
Migliorare le prestazioni d’errore dei singoli matcher
attraverso la loro combinazione
REQUISITI DEI MATCHER
Complementarità delle informazioni estratte
Bassa correlazione tra gli score
IDEA DI BASE
Combinare gli score dei matcher in un unico score,
attraverso un’opportuna trasformazione
SCHEMA DEL NOSTRO SISTEMA DI VERIFICA
TEMPLATE
“MINUTIAE”
User ID
MINUTIAE
EXTRACTION
ALGORITMO
“MINUTIAE”
SM
TRASFORMAZIONE
DEGLI SCORE
FINGERCODE
EXTRACTION
ALGORITMO
“FILTER”
TEMPLATE
“FILTER”
SF
SC
I DUE MATCHER UTILIZZATI
Algoritmo “MINUTIAE”
Algoritmo “FILTER”
Impronte rappresentate
con minutiae.
Score: “distanza” tra i
due insiemi di minutiae.
Impronte rappresentate
con tessitura.
Score: distanza euclidea
tra i due “FingerCode”.
METODI TRADIZIONALI DI COMBINAZIONE
METODI FISSI
Minimo:
Massimo:
Media:
Prodotto:
METODI TRADIZIONALI DI COMBINAZIONE
METODI ADDESTRABILI
Trasformazione logistica:
IL PERCEPTRON
METODI DI OTTIMIZZAZIONE TRADIZIONALI
Massimizzazione della Verosimiglianza (ML)
Minimizzazione dell’Errore Quadratico Medio (MSE)
NUOVO METODO
PROPOSTO
DI
OTTIMIZZAZIONE
DA
NOI
Massimizzazione della separazione delle densità di
probabilità degli score dei genuini e degli impostori
SEPARAZIONE TRA CLASSI
OSSERVAZIONE
Gli errori dei matcher dipendono da quanto le
densità di probabilità degli score dei genuini e degli
impostori si sovrappongono
IDEA DI BASE
Per cercare di ridurre gli errori di matching
calcoliamo i pesi della trasformazione logistica
massimizzando la separazione tra le classi
“Class Separation Statistic”:
SEPARAZIONE TRA CLASSI
PROBLEMI DI STIMA
Pochi esempi per la stima delle distribuzioni con
istogrammi normalizzati
Complessità
computazionale
ed
errori
di
approssimazione per la stima con kernel gaussiano
SOLUZIONE PARAMETRICA
Stima parametrica della separazione tra classi
“Fisher Distance”:
PERCEPTRON: MASSIMIZZAZIONE DELLA FD
Un nuovo algoritmo per l’aggiornamento dei pesi
IL DATA SET
Data set FVC-DB1 (benchmark), formato da
immagini di impronte acquisite con un sensore ottico
Caratteristiche delle immagini
Dimensione: 300x300 pixel
Profondità: 256 livelli di grigio
Risoluzione: 500 dpi
800 impronte: 100 identità, 8 acquisizioni della
stessa impronta per ciascuna identità
PIANO SPERIMENTALE
“Genuine Matching Scores”, insieme degli score
generati da tutti i possibili confronti tra coppie di
impronte appartenenti alla stessa identità
“Impostor Matching Scores”, insieme degli
score generati da tutti i possibili confronti tra coppie
di impronte appartenenti a identità diverse
L’insieme degli score generati da “Minutiae” e
“Filter” è stato suddiviso in Training-set e Test-set
Gli score del Training-set sono stati utilizzati per il
calcolo dei pesi nei metodi addestrabili
Gli score del Test-set sono stati utilizzati per la
verifica delle prestazioni
VALUTAZIONE DELLE PRESTAZIONI
F.M.R.(soglia) (False Matching Rate), frazione di
impostori accettati, al variare della soglia
F.N.M.R.(soglia) (False Non Matching Rate),
frazione di genuini rifiutati, al variare della soglia
R.O.C. (Receiving Operating Curve )
E.E.R. (Equal Error Rate)
ZeroFMR, frazione di genuini rifiutati quando
nessun impostore è accettato
ZeroFNMR, frazione di impostori accettati quando
nessun genuino è rifiutato
RISULTATI A CONFRONTO
CONCLUSIONI
RISULTATI
I metodi di fusione consentono di migliorare le
prestazioni dei singoli algoritmi
Abbiamo
proposto
un
metodo
innovativo
introducendo
una
trasformazione
logistica
ottimizzata in base alla misura di separazione tra le
classi
SVILUPPI FUTURI
Ricerca di funzioni di costo ancora più efficaci
Modelli più complessi per l’addestramento (MLP)
Estendere i campi di applicazione del metodo