FUSIONE DATI NEI SISTEMIPER L’IDENTIFICAZIONE PERSONALE

MEDIANTE RICONOSCIMENTODI IMPRONTE DIGITALI

Relatori:Prof. Ing. Fabio RoliIng. Gian Luca Marcialis

Tesi di Laurea di:Paolo Loddo

Università degli Studi di CagliariFacoltà di Ingegneria

Corso di Laurea in Ingegneria Elettronica

Anno Accademico 2001-2002

SOMMARIO

Il nostro sistema di verifica dell’identità

Piano sperimentale e risultati ottenuti

Conclusioni: bilancio e sviluppi futuri

Identificazione personale mediante 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

IDENTIFICAZIONE PERSONALE MEDIANTE RICONOSCIMENTO DI IMPRONTE DIGITALI

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”

Analisi della struttura locale delle “creste”:“terminazioni”“biforcazioni”

Basata sulla “TESSITURA”

Analisi del pattern delle “creste”

SCHEMA DI UN SISTEMA DI VERIFICA

ELABORAZIONEIMMAGINE

ESTRAZIONEFEATURE

REGISTRAZIONE(off-line)

DATABASEDEI TEMPLATE

DATABASEDEI TEMPLATE

ELABORAZIONEIMMAGINE

ESTRAZIONEFEATURE

MATCHING

User ID

>SOGLIAAccettato RespintoSI NO

VERIFICA(on-line)

SCORE

ERRORI DI MATCHING

Due tipi di errore al variare della soglia:si accettano utenti non autorizzati (“impostori”)si respingono utenti autorizzati (“genuini”)

PROBABILITÀ DI ERRORE PER UN SISTEMA DI VERIFICA

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

OBIETTIVO

Migliorare le prestazioni d’errore dei singoli matcher attraverso la loro combinazione

IDEA DI BASE

Combinare gli score dei matcher in un unico score, attraverso un’opportuna trasformazione

FUSIONE DI MATCHER PER LA VERIFICA

REQUISITI DEI MATCHER

Complementarità delle informazioni estratteBassa correlazione tra gli score

SCHEMA DEL NOSTRO SISTEMA DI VERIFICA

SC

TRASFORMAZIONEDEGLI SCORE

ALGORITMO“MINUTIAE”

MINUTIAEEXTRACTION

ALGORITMO“FILTER”

FINGERCODEEXTRACTION

TEMPLATE“MINUTIAE”

SM

SF

TEMPLATE“FILTER”

User ID

I DUE MATCHER UTILIZZATI

Algoritmo “MINUTIAE”

Impronte rappresentate con minutiae.Score: “distanza” tra i due insiemi di minutiae.

Algoritmo “FILTER”

Impronte rappresentate con tessitura.Score: distanza euclidea tra i due “FingerCode”.

METODI TRADIZIONALI DI COMBINAZIONE

METODI FISSI

Minimo:

Massimo:

Media:

Prodotto:

METODI ADDESTRABILI

Trasformazione logistica:

METODI TRADIZIONALI DI COMBINAZIONE

IL PERCEPTRON

METODI DI OTTIMIZZAZIONE TRADIZIONALI

Massimizzazione della Verosimiglianza (ML)

Minimizzazione dell’Errore Quadratico Medio (MSE)

NUOVO METODO DI OTTIMIZZAZIONE DA NOI PROPOSTO

Massimizzazione della separazione delle densità di probabilità degli score dei genuini e degli impostori

OSSERVAZIONEGli errori dei matcher dipendono da quanto le densità di probabilità degli score dei genuini e degli impostori si sovrappongono

IDEA DI BASEPer 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

SEPARAZIONE TRA CLASSI

PROBLEMI DI STIMA

Pochi esempi per la stima delle distribuzioni con istogrammi normalizzatiComplessità 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

800 impronte: 100 identità, 8 acquisizioni della stessa impronta per ciascuna identità

Caratteristiche delle immaginiDimensione: 300x300 pixelProfondità: 256 livelli di grigioRisoluzione: 500 dpi

PIANO SPERIMENTALE

L’insieme degli score generati da “Minutiae” e “Filter” è stato suddiviso in Training-set e Test-set

“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

Gli score del Training-set sono stati utilizzati per il calcolo dei pesi nei metodi addestrabiliGli 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 sogliaF.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 accettatoZeroFNMR, frazione di impostori accettati quando nessun genuino è rifiutato

RISULTATI A CONFRONTO

CONCLUSIONI

SVILUPPI FUTURI

Ricerca di funzioni di costo ancora più efficaciModelli più complessi per l’addestramento (MLP)Estendere i campi di applicazione del metodo

RISULTATI

I metodi di fusione consentono di migliorare le prestazioni dei singoli algoritmiAbbiamo proposto un metodo innovativo introducendo una trasformazione logistica ottimizzata in base alla misura di separazione tra le classi