fusione dati nei sistemi per lidentificazione personale mediante riconoscimento di impronte digitali...
TRANSCRIPT
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